SparseMask：面向密集图像预测的可微分连接学习
计算机视觉与模式识别
2019-08-06 v2
摘要
在本文中，我们旨在自动搜索用于密集图像预测的高效网络架构。特别地，我们遵循编码器-解码器风格，并专注于设计解码器的连接结构。为此，我们设计了一个具有可学习连接的密集连接网络，称为全密集网络（Fully Dense Network），其包含大量可能的最终连接结构。然后我们采用梯度下降从密集连接中搜索最优连接。搜索过程由一种新颖的损失函数引导，该函数将每个连接的权重推向二值化并使连接稀疏。所发现的连接在两个分割数据集上取得了具有竞争力的结果，同时比最先进的方法运行速度快三倍以上，且所需参数少于一半。大量实验表明，所发现的连接与各种骨干网络兼容，并能很好地泛化到其他密集图像预测任务。
引用
@article{arxiv.1904.07642,
title = {SparseMask: Differentiable Connectivity Learning for Dense Image Prediction},
author = {Huikai Wu and Junge Zhang and Kaiqi Huang},
journal= {arXiv preprint arXiv:1904.07642},
year = {2019}
}
备注
Accepted by ICCV 2019. Code is available at https://github.com/wuhuikai/SparseMask