SM-NAS：面向目标检测的结构到模块神经架构搜索
计算机视觉与模式识别
2019-12-03 v2
摘要
最先进的目标检测方法由 backbone、特征融合 neck、RPN 与 RCNN head 等多种模块构成而显得复杂，其中每个模块可能具有不同设计与结构。如何权衡多个模块的结构组合与模块选择之间的计算成本与精度？神经架构搜索（NAS）已在寻找最优解方面展现出巨大潜力。现有面向目标检测的 NAS 工作仅关注搜索单一模块的更优设计（如 backbone 或特征融合 neck），而忽视整个系统的平衡。本文提出一种名为结构到模块 NAS（SM-NAS）的两阶段由粗到细搜索策略，用于搜索对 GPU 友好的高效模块组合及更优模块级架构以用于目标检测。具体而言，结构级搜索阶段首先旨在找到不同模块的高效组合；模块级搜索阶段随后演化各具体模块并将帕累托前沿推向更快的任务特定网络。我们考虑一个覆盖许多流行检测方法设计的多目标搜索空间。我们通过探索快速从头训练策略，在无预训练模型或任何代理任务的情况下直接搜索检测 backbone。所得架构在推理时间与精度上均主导最先进的目标检测系统，并在多个检测数据集上证明有效性，例如相较 FPN 推理时间减半且 mAP 额外提升 1%，以及以与 MaskRCNN 相近的推理时间达到 46% mAP。
引用
@article{arxiv.1911.09929,
title = {SM-NAS: Structural-to-Modular Neural Architecture Search for Object Detection},
author = {Lewei Yao and Hang Xu and Wei Zhang and Xiaodan Liang and Zhenguo Li},
journal= {arXiv preprint arXiv:1911.09929},
year = {2019}
}
备注
Accepted by AAAI 2020