MRF-UNets：用马尔可夫随机场搜索 UNet

UNet [27] 因其简洁性和有效性被广泛用于语义分割。然而，其手动设计的架构被应用于大量问题设定，要么未进行架构优化，要么进行手动调参，这耗时且可能非最优。本工作中，首先，我们提出马尔可夫随机场神经架构搜索（MRF-NAS），其扩展并改进了近期的自适应最优网络宽度搜索（AOWS）方法 [4]：（i）更通用的 MRF 框架（ii）多样的 M-best 循环推理（iii）可微参数学习。这提供了必要的 NAS 框架以高效探索诱导循环推理图的网络架构，包括由跳跃连接产生的循环。以 UNet 为骨干，我们找到了一种架构 MRF-UNet，其展现出若干有趣特性。其次，透过这些特性，我们识别出原始 UNet 架构的非最优性，并用 MRF-UNetV2 进一步改进了结果。实验表明，我们的 MRF-UNets 在三个航空图像数据集和两个医学图像数据集上显著优于若干基准，同时保持较低计算成本。代码见：https://github.com/zifuwanggg/MRF-UNets。