NIPS2019：旷视提出DetNAS：首个搜索物体检测Backbone的方法

论文名称：DetNAS: Backbone Search for Object Detection
论文链接：https://arxiv.org/abs/1903.10979
开源代码： https://github.com/megvii-model/DetNAS

物体检测器通常使用图像分类网络的Backbone，由于和检测任务存在一定差异，这些Backbone往往不是最优的。本文中，旷视研究院提出DetNAS，这是首个用于设计更好的物体检测器Backbone的神经网络搜索方法；由DetNAS搜索出的框架在COCO上的性能超越了ResNet-50与ResNet-101，且模型计算量更低。本文已收录于神经信息处理系统大会NeurIPS 2019。

目录

• 导语
• 简介
• 方法
  • DetNAS Pipeline
  • 空间搜索设计
  • 搜索算法
• 实验
  • 实验结果
  • DetNAS架构
• 结论
• 参考文献

导语

在目标检测器中，Backbone起着非常重要的作用，目标检测器的性能高度依赖于Backbone所提取的特征。大多数目标检测器直接使用为图像分类而设计的网络来作为Backbone，但这种方法往往不是最优的，因为图像分类仅关注的是图中主要物体是什么，而目标检测试图在图像中找到每个目标的位置和类别。

虽然目前依靠手工设计的网络能够实现部分性能的提升，但手工设计需要研究人员非常精通领域知识，同时还需要进行反复漫长的调试才能完成。对此，NAS技术可以提供帮助。

近年来，NAS技术取得了巨大突破。在图像分类任务上，通过搜索得到的网络能够匹敌甚至是超越传统手工设计的网络。然而，在目标检测领域使用NAS搜索Backbone仍然具有挑战。

简介

简单将之前的NAS方法用于搜索目标检测器的Backbone并不能解决问题。通常来说，检测器训练需要将Backbone网络先在ImageNet上预训