鱼羊 十三 发自 凹非寺
量子位 报道 | 公众号 QbitAI
大神(组团)出奇招,踢馆各路神经网络。
还是熟悉的团队,还是熟悉的署名,Facebook AI实验室,推陈出新挑战新的网络设计范式。
嗯,熟悉的Ross,熟悉的何恺明,他们带来全新的——RegNet。
不仅网络设计范式与当前主流“背道而驰”:简单、易理解的模型,也可以hold住高计算量。
而且在类似的条件下,性能还要优于EfficientNet,在GPU上的速度还提高了5倍!
新的网络设计范式,结合了手动设计网络和神经网络搜索 (NAS)的优点:
和手动设计网络一样,其目标是可解释性,可以描述一些简单网络的一般设计原则,并在各种设置中泛化。
又和NAS一样,能利用半自动过程,来找到易于理解、构建和泛化的简单模型。
论文毫无疑问也中了CVPR 2020。
PS:论文是3月30日在arXiv发布,So 大家不用担心是愚人节的玩笑……
三组实验对比,近乎“大满贯”
RegNet在性能上就是如此突出。
实验在ImageNet数据集上进行,目标非常清晰:挑战各种环境下的神经网络。
我们先来看下,与一众流行移动端神经网络的比较。
最近,许多网络设计工作都集中在移动机制(mobile regime,∼600MF)。
上表就是600MF的RegNet,与这些网络比较的结果。可以看出,无论是基于手动设计还是NAS的网络,RegNe的表现都很出色。
何恺明团队强调,RegNet模型使用基本的100 epoch调度(schedule),除了权重衰减外,没有使用任何正则化。
而大多数移动网络使用更长的调度,并进行了各种增强,例如深度监督、Cutout、DropPath等等。
接下来,是RegNet与标准基线ResNet和ResNeXT的比较。
为了公平起见,研究人员在相同的训练设置下,对它们进行对比,如下图所示: