ZiCo-BC：一种用于视觉任务的偏差校正零样本神经架构搜索
计算机视觉与模式识别
2023-09-27 v1 机器学习
摘要
零样本神经架构搜索（NAS）方法提出了称为零样本代理的新型免训练度量，与传统的基于训练的NAS相比大幅减少了搜索时间。尽管在图像分类上取得了成功，零样本代理的有效性很少在语义分割和目标检测等复杂视觉任务上被评估。此外，现有零样本代理被证明偏向于某些模型特性，这限制了其广泛适用性。在本文中，我们实证研究了最先进的（SOTA）零样本代理ZiCo在多个视觉任务上的偏差，并观察到ZiCo偏向于更窄更深的网络，导致次优架构。为解决该问题，我们提出了一种对ZiCo的新的偏差校正，称为ZiCo-BC。我们在各种视觉任务（图像分类、目标检测和语义分割）上的大量实验表明，我们的方法能成功搜索出在Samsung Galaxy S10设备上具有更高精度且显著更低延迟的架构。
引用
@article{arxiv.2309.14666,
title = {ZiCo-BC: A Bias Corrected Zero-Shot NAS for Vision Tasks},
author = {Kartikeya Bhardwaj and Hsin-Pai Cheng and Sweta Priyadarshi and Zhuojin Li},
journal= {arXiv preprint arXiv:2309.14666},
year = {2023}
}
备注
Accepted at ICCV-Workshop on Resource-Efficient Deep Learning, 2023