MoGA: 超越 MobileNetV3 的搜索
本文提出了一种自动化的移动神经结构搜索(MNAS)方法,该方法将模型延迟明确地纳入主要目标,以便搜索可以识别满足准确性和延迟之间良好平衡的模型, 实验结果表明,该方法在多个视觉任务中始终优于现有的移动卷积神经网络模型,并且实现了更好的 mAP 质量。
Jul, 2018
MobileNetV3 采用一种新的架构设计和自动搜索算法相结合的综合搜索技术用于优化移动设备上的图像识别任务,在分类、检测和分割等任务上实现了最新的性能水平。
May, 2019
本文提出了一种基于现代 GPU 设计 GPU 高效网络的通用原则,通过简单且轻量级的方法搜索 GPU 高效网络结构,相较于大多数神经体系结构搜索方法(NAS),该结构具有简单且低计算开销的优势。通过该原则,我们设计出了一系列 GPU 高效网络,称为 GENets,该结构在 ImageNet 上获得了 81.3 % 的 top-1 准确率,比 EfficienNet 在 GPU 上快 6.4 倍。
Jun, 2020
该论文介绍了一种使用神经架构搜索技术快速定制卷积神经网络模型的方法。该方法构建了一个分布式的神经架构搜索系统,探索一个新的潜在搜索空间,并提出了一种使用 GPU 进行目标推理的优化模型 GPUNet,其推理速度可达 1ms,比现有模型具有更快的速度和更好的准确率,在不同任务和场景中都具有广泛的适应性。
Apr, 2022
本文介绍了如何利用手机上普遍存在的 GPU 加速器,在 Android 和 iOS 设备上实现深度神经网络的实时推断,并将其集成到开源项目 TensorFlow Lite 中。
Jul, 2019
本文提出了一种新型的纯 ConvNet 架构,即 MogaNet,该架构通过游戏论反映了不同尺度的情境下变量之间的相互作用效应,采用深度卷积优化了空间和通道空间的中阶信息,从而在 ImageNet 等多种典型视觉基准上取得了与最先进模型相当的效果,并以更高的效率使用参数。
Nov, 2022
本文提出了一种新颖的基于图的稀疏注意力机制 Sparse Vision Graph Attention(SVGA),并且设计了一种新的混合 CNN-GNN 体系结构 MobileViG,实验证明,MobileViG 在移动设备上进行图像分类、物体检测和实例分割任务上的精度和 / 或速度明显优于现有的 ViG 模型和现有移动 CNN 和 ViT 架构。
Jul, 2023
本文介绍了 MobileNets 这一基于深度可分离卷积的轻量级深度神经网络架构,提出了利用全局超参数在时延和准确性之间平衡的方法,并在图像分类等多个领域进行了广泛实验。
Apr, 2017
通过对多个移动设备上的网络进行部署和分析,提出了有效神经网络的优化瓶颈,设计了一种高效的 MobileOne 神经网络,该网络在 iPhone12 上获得了 1 ms 以下的推断时间,并在性能和速度方面超越了现有的语义分割网络。
Jun, 2022
通过使用梯度的基础方法优化 ConvNet 结构,避免像以前的方法一样枚举并分别训练个别结构,我们提出了一个可微分的神经结构搜索(DNAS)框架。FBNets 是通过 DNAS 发现的模型族,其在设计和生成自动模型方面均超过手动设计的最新模型,并在移动设备上获得更高的准确性和更低的延迟。
Dec, 2018