论文的贡献:论文中提出的神经架构搜索(Neural Architecture Search, NAS),用于发现更优更好的特征金字塔网络结构。NAS-FPN应用在RetinaNet框架中的多种backbone models(骨干模型),都有很好的准确性。在移动检测 (320x320) 比赛中,轻量版NAS-FPN+MobileNet2的移动检测精度比最好的SSDLite更好,而且所用的时间还更短。
NAS-FPN采用了和NAS相同的算法流程,如图1所示。它由一个控制器和一个评估器组成:其中控制器是一个RNN,用于根据评估器得到的结果来生成新的网络结构;而评估器则对控制器生成的网络就行效果的评估。两个模块构成一个循环的流程,两个结构相互促进,相辅相成,最终得到一个高性能的网络结构。 图1:通用RL的搜索流程 ...
为了更灵活地获得更优的 FPN 结构,该文章首创性地提出了采用神经架构搜索(NAS)的方式定制化地构建 FPN,该结构又称 NAS-FPN。 设计FPN 结构的最大困难在于它巨大的设计空间,在不同尺度上融合特征的组合数会随着网络层数的增长而增大。由此该文先设计了一个能覆盖所有跨尺度连接产生多尺度特征的搜索空间,然后采用强...
他们将这一特征金字塔架构命名为 NAS-FPN。 实验 这一部分描述了学习一个 RNN 控制器来发现 NAS-FPN 架构的神经架构搜索实验。然后,研究者证明了他们发现的NAS-FPN在不同的骨干模型和图像大小下都能很好地工作。在金字塔网络中,通过改变叠加层数和特征维数,可以很容易地调整 NAS-FPN 的容量。此外,作者还在实验中...
Le 等研究者提出了一种新的架构搜索方法 NAS-FPN。他们希望借助神经架构搜索的优势,并学习更好的目标检测特征金字塔网络架构。目前 NAS-FPN 实现了优于当前最佳目标检测模型的准确率和延迟权衡 目标检测中的神经架构搜索 特征金字塔网络(FPN)是目标检测中生成金字塔形状特征表示的代表性模型架构之一。它采用通常为图像...
在这篇论文中,谷歌大脑的 Quoc V. Le 等研究者提出了一种新的架构搜索方法 NAS-FPN。他们希望借助神经架构搜索的优势,并学习更好的目标检测特征金字塔网络架构。目前 NAS-FPN 实现了优于当前最佳目标检测模型的准确率和延迟权衡 目标检测中的神经架构搜索 ...
图6:5 个输入层(黄色)和 5 个输出特征层(蓝色)的 NAS-FPN 中发现的 7-merging-cell 金字塔网络架构。GP:全局池化;R-C-B:ReLU-Conv-BatchNorm。 图7:NAS-FPN 的架构图。每个点代表一个特征层,同一行的特征层具有相同的分辨率,分辨率由下往上递减。箭头表示内层之间的连接,该图的结构是输入层位于左侧。金...
1. NAS-FPN 论文:https://arxiv.org/abs/1904.07392; Git非官方开源代码:https://github.com/DetectionTeamUCAS/NAS_FPN_Tensorflow; NAS-FPN结构并不复杂,基本沿用了RetinaNet的网络架构:1. Backbone网络生成feature maps;2.用NAS-FPN取代原有人工设计的FPN结构,跨尺度将低层high resolution的特征图与高层high ...
NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection Summary 目前最先进的卷积结构用于目标检测是手工设计的。 在这里,我们的目标是一个更好的学习可扩展特征金字塔结构,用于目标检测。在一个覆盖所有交叉尺度连接的可扩展搜索空间中,采用神经网络结构搜索,发现了一种新的特征金字塔结构。架构名...
【基于NAS的特征金字塔网络】NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection #论文解读# #CVPR 2019# 本文是Google Brain发表于CVPR 2019的工作,论文率先提出利用神经架构搜索...