Recently, neural architecture search (NAS) has been exploited to design feature pyramid networks (FPNs) and achieved promising results for visual object detection. Encouraged by the success, we propose a novel One-Shot Path Aggregation Network Architecture Search (OPANAS) algorithm, which significantly improves both searching efficiency and detection accuracy. Specifically, we first introduce six heterogeneous information paths to build our search space, namely top-down, bottom-up, fusing-splitting, scale-equalizing, skip-connect and none. Second, we propose a novel search space of FPNs, in which each FPN candidate is represented by a densely-connected directed acyclic graph (each node is a feature pyramid and each edge is one of the six heterogeneous information paths). Third, we propose an efficient one-shot search method to find the optimal path aggregation architecture, that is, we first train a super-net and then find the optimal candidate with an evolutionary algorithm. Experimental results demonstrate the efficacy of the proposed OPANAS for object detection: (1) OPANAS is more efficient than state-of-the-art methods (e.g., NAS-FPN and Auto-FPN), at significantly smaller searching cost (e.g., only 4 GPU days on MS-COCO); (2) the optimal architecture found by OPANAS significantly improves main-stream detectors including RetinaNet, Faster R-CNN and Cascade R-CNN, by 2.3-3.2 % mAP comparing to their FPN counterparts; and (3) a new state-of-the-art accuracy-speed trade-off (52.2 % mAP at 7.6 FPS) at smaller training costs than comparable state-of-the-arts. Code will be released at https://github.com/VDIGPKU/OPANAS.


翻译:最近,神经结构搜索(NAS)被用于设计金字塔网络(FPNs),并在视觉物体探测方面取得了令人乐观的成果。我们为这一成功提出一个新的新型“单点路径集成网络建筑搜索(Opanas)”算法,该算法大大提高了搜索效率和检测准确性。具体地说,我们首先引入了六条不同的信息路径来建设我们的搜索空间,即自上而下、自下而上、断裂、比例均衡、跳接连和无。第二,我们提议为FPNs提供一个新的搜索空间,其中每个FPNs候选人都使用一个紧密连接的定向周期性图表(每个节点是一个功能性金字塔,每个边缘都是六条信息路径之一 ) 。 第三,我们提出一个高效的单点搜索方法来寻找最佳路径集成结构,即自上而下、自下、自上、自上、自上、自上、自上、自上、自上、自上、自上、自上、自上、自上、自上、自上、自上、自上、自上、自上、经、自上、自上、自上、自上、自上、经、自上、自上、自、自上、自、自上、自上、自、自、自、自、自上、自、自、自、自上、自上、经、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、自、

0
下载
关闭预览

相关内容

《计算机信息》杂志发表高质量的论文,扩大了运筹学和计算的范围,寻求有关理论、方法、实验、系统和应用方面的原创研究论文、新颖的调查和教程论文,以及描述新的和有用的软件工具的论文。官网链接:https://pubsonline.informs.org/journal/ijoc
深度学习搜索,Exploring Deep Learning for Search
专知会员服务
57+阅读 · 2020年5月9日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
《pyramid Attention Network for Semantic Segmentation》
统计学习与视觉计算组
44+阅读 · 2018年8月30日
Single-Shot Object Detection with Enriched Semantics
统计学习与视觉计算组
14+阅读 · 2018年8月29日
论文笔记之Feature Selective Networks for Object Detection
统计学习与视觉计算组
21+阅读 · 2018年7月26日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
Arxiv
8+阅读 · 2021年1月28日
Arxiv
11+阅读 · 2019年4月15日
Scale-Aware Trident Networks for Object Detection
Arxiv
4+阅读 · 2019年1月7日
Arxiv
19+阅读 · 2018年5月17日
Arxiv
11+阅读 · 2018年4月8日
Arxiv
4+阅读 · 2018年3月19日
Arxiv
3+阅读 · 2018年3月5日
VIP会员
相关VIP内容
深度学习搜索,Exploring Deep Learning for Search
专知会员服务
57+阅读 · 2020年5月9日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Top
微信扫码咨询专知VIP会员