DetNAS:目标检测中的骨干网络搜索
本研究使用增强学习范式,通过对特定搜索空间的精心设计和策略,高效地搜索出网络结构,提出了一种优化目标检测模型的神经网络架构搜索方法,并在四天内使用 8 V100 GPUs 在 COCO 数据集上取得比 Faster R-CNN、RetinaNet 和 FCOS 等模型更好的性能,充分展示了该方法的有效性。
Jun, 2019
本研究提出了一种效率高的方法,通过针对自动定位简单无锚对象检测器的 FPN 和预测头部进行搜索,使用定制化的强化学习范式,能够在 4 天内使用 8 个 V100 GPU 找到表现最佳的检测架构,并在 COCO 数据集上超过了 Faster R-CNN,Retina-Net 和 FCOS 等现有模型,AP 提升了 1.0%至 5.4%。
Oct, 2021
本文提出了一个新的针对目标检测任务的骨干网络 DetNet,该网络特别设计用于目标检测任务,并包括针对传统分类网络的额外层,同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。
Apr, 2018
提出了一种分级三元搜索框架,以同时发现物体检测器的所有组件(即主干,neck 和 head)的有效体系结构,在每个对应的子搜索空间上进行端到端的搜索,其中不同的子搜索空间适合不同的组件。
Mar, 2020
本篇论文提出了一种名为 SM-NAS 的两阶段粗到细搜索策略,用于搜索既具有高效的模块组合也具有更好的模块级架构的 GPU 友好设计,优于现有的目标检测系统,为多种检测数据集提供更快的推理时间和更高的准确性。
Nov, 2019
本文提出了一种神经架构适应方法,可优化特定的骨干网络以适用于对象检测,同时仍可使用预训练参数。通过搜索特定运算和每个块的输出通道维度,我们旨在适应微观和宏观架构。实验证明,在 COCO 数据集上,我们搜索的骨干网表现出优异性能,超过了手工设计和搜索的最先进骨干网。
Jun, 2022
通过神经架构搜索技术,提出一种自适应设计网络的方法(NAS-ASDet)用于表面缺陷检测,在工业场景中解决数据稀缺问题,实验结果表明该方法在性能和模型尺寸上优于其他方法。
Nov, 2023
本文介绍了一种新的基于梯度的神经架构变换搜索算法 (NATS),它可以将以图像分类为目的设计的神经网络重新构建为目标检测网络,而且不需要额外的参数和计算量,“transformed networks” 在 COCO 数据集上表现显著提高,适用于实时应用。
Sep, 2019
本文介绍了使用神经架构搜索方法学习目标检测特征金字塔网络的新架构 NAS-FPN。NAS-FPN 采用自下而上和自上而下的连接方式,通过结合 RetinaNet 框架中的各种骨干模型,相比当前最先进的目标检测模型,在精度和延迟的交易方面取得更好的效果。NAS-FPN 在移动检测精度方面比 [32] 中的最先进的 SSDLite with MobileNetV2 模型提高 2 个方差值,并以更少的计算时间实现了 48.3 的检测精度,超过了 Mask R-CNN [10] 的检测精度。
Apr, 2019
通过提出基于任务的端到端的 NAS 方法定义,我们提出了 DSNAS,一个高效的可微分 NAS 框架,不仅可以同时优化架构和参数,而且还可以减少模型训练时间,并在 ImageNet 数据集上达到了与现有方法同等的准确率。
Feb, 2020