Jun, 2022

搜索通道维度和映射预训练参数进行目标检测的神经体系结构适应

PDF
TL;DR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。
object detectionneural architecture searchbackbone optimizationchannel depthcoco dataset
发现论文，激发创造
  • DetNAS：目标检测中的骨干网络搜索

    本文提出了一种名为 DetNAS 的方法，使用神经结构搜索技术来设计用于目标检测的骨干网络，实验证明通过 DetNAS 搜索得到的网络在 COCO 数据集上的性能要优于手工设计的网络。

    Mar, 2019

  • 面向对象检测的通道级高效神经架构转换搜索

    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

  • NAS-FCOS：用于目标检测的快速神经架构搜索

    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

  • 不同 iable 通道维度的可微架构搜索

    本文提出一种新颖的可微分神经网络体系结构搜索方法，具有高效的动态通道分配算法，在生成 DNN 结构时达到了与现有方法相当的准确性和推断延迟，并配合自动设计 DNN 架构

    Jun, 2023

  • Hit-Detector：一种用于物体检测的分层三位一体架构搜索方法

    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

  • 通过参数映射和架构搜索实现快速的神经网络适应

    本文提出了基于参数重映射技术的 Fast Neural Network Adaptation (FNA) 方法，该方法可以将已有的高性能网络结构调整为不同的深度、宽度或内核大小，进而实现更高效的神经架构搜索，该方法在 MobileNetV2 的实验中，通过对现有网络进行 FNA 调整，既可用于目标分割任务又可用于目标检测任务，并且在性能上均超过了手动设计和 NAS 的现有网络设计，且其计算成本明显低于 SOTA 的目标分割 /detection NAS 方法 (DPC、Auto-DeepLab 和 DetNAS）。

    Jan, 2020

  • NAS-FCOS: 目标检测架构的高效搜索

    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

  • SM-NAS: 结构到模块化神经架构搜索用于目标检测

    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

  • NAS-FPN：学习可扩展的特征金字塔架构用于目标检测

    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

  • DetNet：一种用于物体检测的骨干网络

    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