论文阅读：Hit-Detector: Hierarchical Trinity Architecture Search for Object Detection

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。

论文链接
代码链接

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：