NAS-FCOS：面向目标检测的快速神经架构搜索
计算机视觉与模式识别
2020-02-26 v4
摘要
深度神经网络的成功依赖于大量的架构工程。近来，神经架构搜索（NAS）作为一种有望通过自动搜索最优架构来大幅减少网络设计中人工投入的方法而出现，尽管此类算法通常需要过量的计算资源，例如数千 GPU 天。迄今为止，在目标检测等具有挑战性的视觉任务上，NAS，尤其是快速版本的 NAS，研究较少。本文中，我们提出在考虑搜索效率的情况下搜索目标检测器的解码器结构。具体而言，我们旨在使用定制的强化学习范式，高效搜索一个简单的无锚点目标检测器（即 FCOS）的特征金字塔网络（FPN）以及预测头。通过精心设计的搜索空间、搜索算法和评估网络质量的策略，我们能够在 4 天内使用 8 块 V100 GPU 高效搜索出一个性能顶尖的检测架构。所发现的架构在 COCO 数据集上的 AP 指标上，以相当的计算复杂度和内存占用，超越了最先进的目标检测模型（如 Faster R-CNN、RetinaNet 和 FCOS）1.5 至 3.5 个百分点，证明了所提出的 NAS 方法在目标检测中的有效性。
引用
@article{arxiv.1906.04423,
title = {NAS-FCOS: Fast Neural Architecture Search for Object Detection},
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:1906.04423},
year = {2020}
}
备注
9 pages, 9 figures, accepted by CVPR-2020