14、高速神经架构搜索与航空图像语义分割技术解析

高速神经架构搜索与航空图像语义分割技术解析

在深度学习领域，神经架构搜索（NAS）和航空图像语义分割是两个重要的研究方向。前者致力于自动寻找最优的网络架构，以平衡准确性和计算复杂度；后者则在城市发展跟踪、森林砍伐监测等实际应用中发挥着关键作用。下面将详细介绍相关的技术和方法。

高速神经架构搜索方法

在硬件资源受限的情况下，寻找能够平衡准确性和计算复杂度的模型至关重要。2017 年提出的神经架构搜索（NAS）方法，虽能自动搜索网络架构，但计算复杂度极高。为解决这一问题，研究人员提出了多种改进方法。

• 现有 NAS 方法

  • EA 与 RL 基础方法 ：基于进化算法（EA）的 AmoebaNet 和基于强化学习（RL）的 NASNet 在图像识别中取得了与人工设计模型相当的性能，但计算量巨大，分别需要 3150 和 1800 GPU 天的搜索时间。
  • PNAS 方法 ：将网络划分为单元，放宽搜索空间，速度比基于 RL 的 NASNet 快五倍。
  • DARTS 方法 ：提出可微的 NAS，搜索时间仅为 1.5 GPU 天。
  • FBNet 与 MnasNet ：分别采用延迟感知搜索和支持智能手机等移动设备。

• 提出的方法