SpineNet：学习用于识别和定位的尺度置换主干网络（论文解读）

论文摘要：Google Research团队提出了一种新的识别和定位网络结构

这篇论文由Google Research的Xian Zedu等人撰写，提出了一种改进现有识别和定位网络结构的方法。

核心思想：

• 论文首先分析了现有的识别和定位网络，这些网络通常以卷积神经网络（CNN）为主干，例如ResNet。
• 论文提出了一种新的网络结构，通过重新排列ResNet中的模块并进行交叉连接，在参数量相同或几乎相同的情况下，实现了更高的准确率。
• 论文进一步优化了该网络，使其在计算量更低的情况下，依然能够达到更高的准确率。

具体任务：

• 论文的目标是进行识别和定位，即识别图像中的物体并确定其位置。
• 例如，识别图像中的猫和房子，并给出它们的具体位置（点、边界框或像素分割）。

网络结构：

• 论文所提出的网络结构是一种卷积神经网络，能够接收图像并输出相同形状的图像，同时输出识别结果（例如，猫和房子）和定位信息（边界框等）。
• 网络结构包含多个卷积层，通过不断缩小图像尺寸并增加通道数量来提取图像特征。

改进之处：

• 论文通过重新排列ResNet中的模块并进行交叉连接，优化了网络结构，从而在相同或几乎相同参数量的情况下，实现了更高的准确率。
• 论文进一步优化了网络结构，使其在计算量更低的情况下，依然能够达到更高的准确率。

总结：

这篇论文提出了一种新的识别和定位网络结构，通过优化网络结构，在计算量更低的情况下，实现了更高的准确率。该方法为图像识别和定位领域的研究提供了新的思路。

卷积神经网络（CNN）的高级架构多年来一直没有真正改变。我们倾向于首先构建高分辨率的低维层，然后构建越来越粗糙但更深的层。本文挑战了这种数十年的启发式方法，并使用神经架构搜索来寻找一种名为 SpineNet 的替代方案，该方案采用多轮重新缩放和长程跳跃连接。
大纲：0:00 - 简介和概述1:00 - 问题陈述2:30 - 当前架构的问题8:20 - 规模置换网络11:40 - 神经架构搜索14:00 - 上采样和下采样19:10 - 从 ResNet 到 SpineNet24:20 - 消融研究27:00 - 我的想法：CNN 的注意力路由29:55 - 更多实验34:45 - 结论和评论论文：https://arxiv.org/abs/1912.05027代码：https://github.com/tensorflow/tpu/tree/master/models/official/detection摘要：卷积神经网络通常将输入图像编码成一系列分辨率递减的中间特征。虽然这种结构适用于分类任务，但它不适用于需要同时识别和定位的任务（例如目标检测）。编码器-解码器架构被提出来通过将解码器网络应用于为分类任务设计的骨干模型来解决这个问题。在本文中，我们认为编码器-解码器架构由于规模下降的骨干模型而无法有效地生成强大的多尺度特征。我们提出了 SpineNet，一种具有规模置换中间特征和跨尺度连接的骨干模型，它通过神经架构搜索在目标检测任务上进行学习。使用类似的构建块，SpineNet 模型在各种尺度上比 ResNet-FPN 模型性能提高了约 3% AP，同时使用的 FLOPs 减少了 10-20%。特别是，SpineNet-190 在 COCO 上使用 MaskR-CNN 检测器实现了 52.5% AP，使用 RetinaNet 检测器实现了 52.1% AP，这是单个模型在没有测试时增强的情况下取得的，显著超过了先前检测器的技术水平。SpineNet 可以迁移到分类任务，在具有挑战性的 iNaturalist 精细粒度数据集上实现了 5% 的 top-1 准确率提升。代码位于：this https URL。