NAS-FCOS：高效搜索目标检测架构
计算机视觉与模式识别
2021-10-26 v1
摘要
神经架构搜索（NAS）通过自动发现最优架构，在有效减少网络设计中的人工投入方面展现出巨大潜力。值得注意的是，尽管目标检测在计算机视觉中具有重要意义，但迄今为止 NAS 算法较少触及该领域。据我们所知，近期大多数关于目标检测任务的 NAS 研究未能令人满意地在所得模型的性能与效率之间取得平衡，更不用说这些算法消耗了过量的计算资源。在此，我们提出一种高效方法，通过为简单的无锚框目标检测器 FCOS [36] 搜索特征金字塔网络（FPN）以及预测头，采用定制的强化学习范式，从而获得更好的目标检测器。借助精心设计的搜索空间、搜索算法以及评估网络质量的策略，我们能够在 4 天内使用 8 块 V100 GPU 找到性能顶尖的检测架构。在 COCO 数据集上，所发现的架构以相当的计算复杂度和内存占用，在 AP 上超越最先进的目标检测模型（如 Faster R-CNN、RetinaNet 和 FCOS）1.0% 至 5.4%，证明了所提出的 NAS 方法在目标检测上的有效性。代码见 https://github.com/Lausannen/NAS-FCOS。
引用
@article{arxiv.2110.12423,
title = {NAS-FCOS: Efficient Search for Object Detection Architectures},
author = {Ning Wang and Yang Gao and Hao Chen and Peng Wang and Zhi Tian and Chunhua Shen and Yanning Zhang},
journal= {arXiv preprint arXiv:2110.12423},
year = {2021}
}
备注
14 pages, 11 figures, journal extension of NAS-FCOS (CVPR 2020), accepted by IJCV. arXiv admin note: substantial text overlap with arXiv:1906.04423