【AAAI 2020】NAS+目标检测：SM-NAS 论文解读

最新推荐文章于 2024-07-23 20:21:33 发布

深度学习技术前沿

最新推荐文章于 2024-07-23 20:21:33 发布

阅读量1.1k

点赞数 1

本文链接：https://blog.csdn.net/weixin_47196664/article/details/106542489

版权

关注上方“深度学习技术前沿”，选择“星标公众号”，

资源干货，第一时间送达！

最近冒出来很多 Neural Network Search (NAS) + 目标检测的 paper，今天介绍一篇中了 AAAI 2020 的文章：SM-NAS: Structural-to-Modular Neural Architecture Search for Object Detection。

- 论文链接：https://arxiv.org/abs/1911.09929

- 作者来自：华为诺亚方舟实验室&中山大学

论文效果展示：

思路：这篇 Paper 要做的事情和 EfficientDet 非常类似，都是将神经网络结构搜索和目标检测相结合，而且都是从目标检测算法的整个 pipeline 角度来搜。作者用了 coarse-to-fine 的思想，把 NAS 的搜索过程分为两个 stage，先进行结构层次 (structural-level) 的搜索，再进行模块级别 (modular-level) 的搜索，

下面将分别进行介绍：

Structural-level

对于目标检测任务来说，整个流程可以分为 backbone, neck, RPN head, bbox head 四部分。当然像 RetinaNet 这样的 one-stage 模型也可以不要 RPN head，这样就是三部分了。之前的很多工作都是尝试优化其中的一部分，比如 DetNAS 是搜 backbone，Guided-Anchor 是优化 RPN 部分，Cascade RCNN 优化 bbox head 部分。本文的作者指出，应该考虑整个系统不同部分之间的关系，在目标检测的整个 pipeline 上联合进行起来搜索。相当于搜一个最好的组合方式来组合这些模块。

随后作者构建了这样的搜索空间：

- backbone：ResNet系列 (Res18, 34, 50, 101)，ResNeXt 系列（50, 101），MobileNet V2 。并且都用了 ImageNet 初始化
- neck: 不用 FPN （也就是C4），FPN 从 P1 到 P6 的哪层进入哪层出 (P1-P5，P2-P5之类的)
- RPN: 不用 RPN (one-stage)，RPN，Guided Anchor
- head: RCNN head, RetinaNet head, Cascade RCNN head (包括 cascade 的数量从2 ~ 4)
- 输入图片分辨率：[ 512x512，800x600，1080x720，1333x800]

把本部分的搜索空间可视化如下图所示：

作者最后得到了 11000 种候选的组合，用进化算法来搜，先随机生成初始值，然后选种变异之类的。作者最后花了 2000 GPU hours，一共搜了约500种组合。得到的结果如下图所示：

最左边的图是在不同输入图片分辨率下， speed-accuracy trade off 曲线。作者的横轴用的就是在 V100 GPU 上的 inference time，而不是 FLOPs 这些间接的指标。作者发现 MobileNet V2 虽然 FLOPs 是最小的，但是由于有比较大的内存访问开销，造成实际上用 inference time 来比的话不太行。

作者在上图最右面的帕累托最优曲线上选了6个模型，C0 - C5，送到下一个 Modular-level search 的部分。

Modular-level

在上一步确定了选择哪些模块、模块之间的连接方式之后，这一步来单独优化每个模块。

作者先搜一个 backbone ，固定了有 5 个 stage，并且固定了要逐渐 downsample 2 倍。由于换新的 backbone 再用 ImageNet 初始化会很麻烦，作者在这里就都不用 pre-train model，随机初始化了。为了减轻不初始化的影响，作者把 Batch Normalization 替换成 Group Normalization ，并加入了 Weight Standardization。

这一部分的参数空间非常简单，其实就是搜 backbone 的 channel 数量。比如在之前的 structural-level 搜到的 C5 模型，backbone 用的是 X101_bottleneck。作者把初始的 channel 数量指定为 {48, 56, 64, 72} 四个候选值，然后搜后面的 conv 里面要在哪里把 channel 数量乘2。并没有引入新的运算。作者还搜了 FPN 和 head 部分的 channel 数量，候选组合就是 {128, 256, 512} 。这一步作者又把衡量速度的指标从 inference time 改成了 FLOPs，作者说 inference time 在不同 GPU 上不一样，而 FLOPs 相对更 consistency。

把本部分的搜索空间可视化如下图所示：

最后搜出来的结果，E0 - E5 如下表所示：

这个表里面在 Backbone 部分有很多字符串，比如"64 1-21-21-12"，64 指的是初始的 channel 数量，后面的 1 表示过完 block 结构之后 channel 数量不变，2 表示 channel 数量要乘2。从这个表格上可以看出在每个 stage 开始的时候把 channel 数量乘２倍比较好。

在下图中，蓝色点是上一部分 C0 ~ C5 structural-level 的结果，橘黄色点是 modular-level search 得到的模型，确实有 refine 的作用。