RSBNet：一种用于遥感图像识别骨干网络的一次性神经架构搜索方法
图像与视频处理
2021-12-08 v1 人工智能
计算机视觉与模式识别
摘要
近年来，大量基于深度学习的方法已成功应用于各种遥感图像（RSI）识别任务。然而，现有深度学习在RSI领域的进展大多严重依赖于手工设计的骨干网络提取的特征，由于RSI的复杂性和先验知识的局限性，这严重阻碍了深度学习模型的潜力。本文中，我们研究了RSI识别任务（包括场景分类、土地覆盖分类和目标检测）中骨干架构的一种新设计范式。提出了一种基于权重共享策略和进化算法的一次性架构搜索框架，称为RSBNet，其包含三个阶段：首先，在层-wise搜索空间中构建的超网基于集成单路径训练策略在自组装的大规模RSI数据集上预训练。接下来，通过可切换识别模块为预训练超网配备不同的识别头，并在目标数据集上分别微调以获得特定任务的超网。最后，我们基于进化算法搜索不同识别任务的最优骨干架构，无需任何网络训练。在五个不同识别任务的基准数据集上进行了大量实验，结果表明所提搜索范式的有效性，并证明搜索得到的骨干能够灵活适应不同的RSI识别任务并取得令人印象深刻的性能。
引用
@article{arxiv.2112.03456,
title = {RSBNet: One-Shot Neural Architecture Search for A Backbone Network in Remote Sensing Image Recognition},
author = {Cheng Peng and Yangyang Li and Ronghua Shang and Licheng Jiao},
journal= {arXiv preprint arXiv:2112.03456},
year = {2021}
}