LC-NAS：面向点云网络的延迟约束神经架构搜索
计算机视觉与模式识别
2020-08-25 v1 人工智能
摘要
点云架构设计已成为三维深度学习中的关键问题。已有若干工作手动设计在分类、分割和检测等点云任务中具有高精度的架构。自动神经架构搜索（NAS）的最新进展最小化了网络设计中的人力投入并优化了高性能架构。然而，这些工作未能考虑推理时延迟等重要因素。延迟在自动驾驶汽车、机器人导航和移动应用等通常受限于可用硬件的时效性关键应用中极为重要。本文提出一种称为 LC-NAS 的新 NAS 框架，在其中搜索受目标延迟约束的点云架构。我们实现了一种新颖的延迟约束公式，以在架构搜索中权衡精度与延迟。与以往工作不同，我们的延迟损失保证最终网络在指定目标值下达到延迟。当最终任务要部署在受限硬件环境中时，这一点至关重要。大量实验表明，LC-NAS 能够以最小的计算成本在 ModelNet40 上找到用于点云分类的当前最优（SOTA）架构。我们还展示了我们搜索的架构如何在精度下降合理较低的情况下达到任意期望延迟。最后，我们展示了我们搜索的架构如何轻松迁移到不同任务——PartNet 上的部件分割，在该任务中我们在将延迟降低 10 倍的同时取得了当前最优结果。
引用
@article{arxiv.2008.10309,
title = {LC-NAS: Latency Constrained Neural Architecture Search for Point Cloud Networks},
author = {Guohao Li and Mengmeng Xu and Silvio Giancola and Ali Thabet and Bernard Ghanem},
journal= {arXiv preprint arXiv:2008.10309},
year = {2020}
}
备注
Originally submitted to ECCV'2020 but rejected. This work was filed with the United States Patent and Trademark Office (USPTO) on May 19, 2020 and assigned Serial No. 63/027,241