面向快速目标检测器搜索及更广应用的表示共享
计算机视觉与模式识别
2020-10-26 v4
摘要
区域提议网络（RPN）为处理两阶段目标检测中物体尺度变化提供了有力支持。对于没有 RPN 的单阶段检测器，更需要有强大的子网络能够直接捕获未知尺寸的物体。为增强该能力，我们提出一种极高效的神经架构搜索方法，称为快速且多样（FAD），以更好地探索单阶段检测器子网络中感受野与卷积类型的最优配置。FAD 包含一个设计的搜索空间与一个高效的架构搜索算法。搜索空间包含一组专为目标检测设计的丰富多样变换。为应对所设计的搜索空间，提出一种称为表示共享（RepShare）的新颖搜索算法，以有效识别所定义变换的最佳组合。实验中，FAD 在两类单阶段检测器及各种骨干网络上均取得显著提升。特别地，我们的 FAD 检测器在 MS-COCO 上取得 46.4 AP（单尺度测试下），优于包括最新基于 NAS 的检测器 Auto-FPN（搜索 16 GPU-天）和 NAS-FCOS（28 GPU-天）在内的最先进检测器，同时将搜索成本显著降至 0.6 GPU-天。除目标检测外，我们进一步在更具挑战性的实例分割上展示了 FAD 的通用性，并期望其惠及更多任务。
引用
@article{arxiv.2007.12075,
title = {Representation Sharing for Fast Object Detector Search and Beyond},
author = {Yujie Zhong and Zelu Deng and Sheng Guo and Matthew R. Scott and Weilin Huang},
journal= {arXiv preprint arXiv:2007.12075},
year = {2020}
}
备注
ECCV 2020 accepted