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：
最低0.47元/天 解锁文章
21
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
