姿态神经架构搜索

神经架构搜索（NAS）技术已在诸多领域涌现，用于联合学习神经网络的架构与权重。然而，多数现有 NAS 工作声称其为任务专用，且仅聚焦于优化单一架构以替代人工设计的神经网络，事实上它们的搜索过程几乎独立于任务的领域知识。本文提出 Pose Neural Fabrics Search（PoseNFS，姿态神经架构搜索）。我们为 NAS 与人姿态估计任务探索了一种新方案：部件专用神经架构搜索，可视为多任务学习的一种变体。首先，我们设计了一个新的神经架构搜索空间——基于单元的神经构造体（CNF），以使用可微分搜索策略学习微观与宏观神经架构。随后，我们将定位人体关键点视为多个解耦的预测子任务，并利用身体结构的先验知识作为引导，为不同人体部件搜索多个部件专用的神经架构。搜索后，所有这些部件专用的 CNF 均具有各异的微观与宏观架构参数。结果表明，此类知识引导的基于 NAS 的架构相较人工设计的基于部件基线模型有明显性能提升。在 MPII 与 MS-COCO 数据集上的实验表明，PoseNFS\footnote{代码见 \url{https://github.com/yangsenius/PoseNFS}} 可取得与若干高效及最先进方法相当的性能。