简介:
Hit-Detector是第一个可以同时搜索检测网络的backbone、neck和head的NAS,在低算力、低参数量的情况下得到高mAP。
前言:
NAS在图像识别任务中已经有了重大突破,Hit-Detector则是将NAS应用在更为复杂的目标检测任务。在Hit-Detector之前,已经有研究人员尝试将NAS应用在目标检测任务,但是目前大部分的NAS for Object Detection仅仅关注于搜索检测网络的Backbone(eg:DetNAS)或者特征融合方式(eg:NAS-FPN),而检测网络的其他component仍然由人工设计,作者认为这种NAS+人工设计的方式会限制检测网络的性能。作者竟然发现了之前NAS的缺陷,Hit-Detector自然就是解决这个缺陷的,它不但可以同时搜索检测网络的backbone、neck和head,而且还可以知道backbone、neck和head分别喜欢用哪些操作来组成自己(刺不刺激,backbone、neck和head喜欢啥你都要观察,它们不要隐私的嘛)。Hit-Detector的实验结果也很惊艳,coco数据集,只需要用27M的参数量,不使用任何tricks(without bells and whistles)就可以得到41.4的mAP。
文章概括:
我们知道,搜索空间和搜索策略的设计对NAS的搜索结果有着直接的影响。本文设计一种分级的方法,能够在一个较大的搜索空间中提取最为合适的子搜索空间。
搜索步骤:
1、 给定一个大的搜索空间,包括所有的候选操作,然后通过组稀疏正则化(group sparsity regularization)分别为backbone、neck和head选取合适的子搜索空间;
2、 分别在backbone、neck和head的子搜索空间中搜索各自的结构;
主要贡献: