C2FNAS: 用于 3D 医学图像分割的粗到细神经架构搜索
本文提出了一种神经体系结构搜索 (NAS) 框架,用于自动优化大规模设计空间中的神经体系结构,支持 3D 医学图像分割任务,其优化准确度在基准测试数据集上优于人类设计的 3D U-Net,经过优化的体系结构适用于不同的任务。
Jun, 2019
本文提出了一种名为 V-NAS 的网络结构搜索方法,它可以自动判断不同情况下选择 2D、3D 或 Pseudo-3D 卷积层,该方法在医学图像分割任务中很好地表现,在 3 个公共数据集上进行评估,分别为 NIH 胰腺数据集、来自医学分割十项全能挑战的肺和胰腺数据集, 无论是正常器官(NIH 胰腺)还是异常器官(MSD 肺肿瘤和 MSD 胰腺肿瘤),V-NAS 都明显优于其他先进技术,而且该搜索到的网络结构可以很好地推广到其他数据集中,并且具有鲁棒性和实用性。
Jun, 2019
本研究提出一种名为 Densely Connected NAS (DCNAS) 的神经架构搜索框架,通过连接细胞并使用可学习的权重来引入密集连接的搜索空间,并通过路径和通道级别的抽样策略设计一个融合模块来降低搜索空间的内存消耗。DCNAS 搜索算法得到的体系结构在公共语义图像分割基准测试中的表现显著优于先前算法。
Mar, 2020
本文提出了一种 Multi-Scale NAS 框架,具有从网络主干到单元操作的多尺度搜索空间和多尺度融合能力,采用部分通道连接方案和两步解码方法来提高计算效率,实验结果表明,MS-NAS 在各种分割数据集上优于现有方法,并实现了 0.6-5.4% mIOU 和 0.4-3.5% DSC 的提高,计算资源消耗减少了 18.0-24.9%。
Jul, 2020
本研究提出一种基于强化学习的小样本、低计算力的 NAS 方法,优化了宏搜索空间配置,可用于大规模的 3D 医学图像分割,无需微调、训练时间仅为 1.39 天,性能表现优于手动设计的网络及现有 NAS 方法之最佳结果。
Sep, 2019
本文通过搜索单元结构和网络结构两个不同的层次来提高图像分割性能,并设计出了一种有效的基于梯度的架构搜索方法,其结果表明,在不进行 ImageNet 预训练的情况下,Auto-DeepLab 可以达到最先进的性能水平。
Jan, 2019
这篇论文提出了一个层次化的 NAS 框架(HNAS-Reg),通过卷积操作搜索和网络拓扑搜索,寻找最优网络结构用于可变形医学图像配准,实验证实该方法相比传统方法和两种无监督学习方法,在配准准确性和模型大小方面有明显的改进。
Aug, 2023
该文章提出了一种细粒度的搜索空间,有效地解决了神经体系结构搜索 (NAS) 中的搜索空间设计问题,其中包括资源感知的架构搜索框架和动态网络收缩技术,可同时进行搜索和训练,并在 ImageNet 上以小的搜索成本取得了最先进的性能。
Dec, 2019
利用神经架构搜索和细粒化技术提出了一个可以在单个层内使用多种异构操作,甚至可以使用多种基本操作生成组合特征映射的框架。该框架可以通过随机梯度下降方法端到端地训练网络,并优化网络的资源利用效率。在大规模图像分类和图像超分辨率等计算机视觉任务中,该框架通过灵活的操作搜索和通道剪枝实现了最先进的性能。
Nov, 2019
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