通过搜索通道维度与映射预训练参数实现面向目标检测的神经网络架构自适应
计算机视觉与模式识别
2022-06-20 v1 人工智能
摘要
大多数目标检测框架使用最初为图像分类设计的骨干架构，通常带有在 ImageNet 上的预训练参数。然而，图像分类与目标检测本质上是不同的任务，且不能保证分类的最优骨干对目标检测也是最优的。近期的神经架构搜索（NAS）研究表明，自动设计专用于目标检测的骨干有助于提升整体精度。本文中，我们提出一种神经网络架构自适应方法，可在仍允许使用预训练参数的前提下，针对检测任务优化给定骨干。我们提出同时自适应微架构与宏架构，搜索特定操作与层数，以及各块的输出通道维度。找到最优通道深度十分重要，因其极大影响特征表示能力与计算成本。我们使用所搜索的骨干进行目标检测实验，证明该骨干在 COCO 数据集上优于人工设计与搜索得到的当前最优骨干。
引用
@article{arxiv.2206.08509,
title = {Neural Architecture Adaptation for Object Detection by Searching Channel Dimensions and Mapping Pre-trained Parameters},
author = {Harim Jung and Myeong-Seok Oh and Cheoljong Yang and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2206.08509},
year = {2022}
}
备注
Accepted to ICPR 2022