ICML2022论文LightNAS系列提出了一种名为MAE-Det的新方法，它运用最大熵原理进行目标检测的神经架构搜索。与传统的训练评估方法相比，MAE-Det无需大量GPU资源，能在一天内完成搜索，并在多种检测框架和数据集上取得SOTA性能。这种方法关注网络在不同尺度的表达能力，通过多级维度最大熵优化特征提取。
本文解读我们ICML2022上发表的论文《MAE-DET: Revisiting Maximum Entropy Principle in Zero-Shot NAS for Efficient Object Detection》。这篇文章提出一种基于最大熵原理的目标检测搜索方法：MAE-Det。该方法通过计算最大特征的最大熵来代表网络的表达能力，代替训练网络来评估模型的最后性能，同时我们设计了多级维度的最大熵来适配检测任务的不同尺度下的表达能力。Training-free的策略将我们的搜索成本降低接近零，在相同的FLOPs预算下，MAE-Det可以为目标检测设计更好的特征提取器。在仅仅一天的GPU全自动设计，MAE-DET在多个检测基准数据集上刷新了检测主干网络的SOTA性能。与ResNet-50主干相比，在使用相同数量的FLOP和参数下，MAE-DET在mAP中的性能提高了+2.0%；在相同的mAP下，在NVIDIA V100上的推理速度提升1.54倍。
论文链接：https://arxiv.org/abs/2111.13336
代码链接：
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
