NAS-Count：基于神经架构搜索的密度计数方法
计算机视觉与模式识别
2020-08-14 v2
摘要
人群计数最近的进展大多源于手工设计的密度估计网络，其中利用多尺度特征来解决尺度变化问题，但代价是耗费大量设计精力。本工作中，我们利用神经架构搜索（NAS）自动化计数模型的设计，并引入一种端到端搜索的编码器—解码器架构，即自动多尺度网络（AMSNet）。具体而言，我们采用一种计数专用的两级搜索空间。AMSNet 中的编码器与解码器由微观级搜索发现的不同单元组成，而多路径架构通过宏观级搜索进行探索。为解决 MSE 损失中的像素级孤立问题，AMSNet 使用自动搜索的尺度金字塔池化损失（SPPLoss）进行优化，该损失监督多尺度结构信息。在四个数据集上的大量实验表明，AMSNet 取得了优于手工设计模型的最先进结果，充分证明了 NAS-Count 的有效性。
引用
@article{arxiv.2003.00217,
title = {NAS-Count: Counting-by-Density with Neural Architecture Search},
author = {Yutao Hu and Xiaolong Jiang and Xuhui Liu and Baochang Zhang and Jungong Han and Xianbin Cao and David Doermann},
journal= {arXiv preprint arXiv:2003.00217},
year = {2020}
}
备注
Accepted to European Conference on Computer Vision(ECCV) 2020