面向图像去噪的内存高效分层神经架构搜索
计算机视觉与模式识别
2020-02-10 v3
摘要
近来，神经架构搜索（NAS）方法备受关注，并在少数高层视觉任务上超越了人工设计的架构。本文中，我们提出 HiNAS（分层 NAS），致力于采用 NAS 自动设计用于图像去噪的有效神经网络架构。HiNAS 采用基于梯度的搜索策略，并运用具有自适应感受野的操作来构建灵活的分层搜索空间。在搜索阶段，HiNAS 在不同特征层级间共享单元以节省内存，并采用早停策略避免 NAS 中的崩溃问题，且大幅加速搜索速度。所提出的 HiNAS 兼具内存与计算高效性，仅使用单块 GPU 搜索约 4.5 小时。我们在两个不同数据集上评估了 HiNAS 的有效性，即加性白高斯噪声数据集 BSD500 与真实噪声数据集 SIM1800。实验结果表明，HiNAS 发现的架构参数更少、推理速度更快，同时与最先进方法相比具有高度竞争力。我们也对 NAS 发现的架构进行了分析。HiNAS 在图像去雨实验中也表现出良好性能。
引用
@article{arxiv.1909.08228,
title = {Memory-Efficient Hierarchical Neural Architecture Search for Image Denoising},
author = {Haokui Zhang and Ying Li and Hao Chen and Chunhua Shen},
journal= {arXiv preprint arXiv:1909.08228},
year = {2020}
}