論文鏈接：NAS-FCOS: Fast Neural Architecture Search for Object Detection
官方代碼：https://github.com/Lausannen/NAS-FCOS
FCOS結構圖
基於FCOS，使用nas方法，提出nas-fcos
主要內容：
1、使用nas方法，搜索FPN和head結構。
2、使用nas方法，探索FPN和head之間的關係，證明head中權重共享的重要性
3、nas-focs通用靈活，可以替換不同的backbone
3, 000 architectures using 28 GPU-days only
Problem Formulation
網絡g包含3個部分：
- b: backbone
- f: fpn
- h: head
搜索f和h, 對於 f 搜索 basic block，對於h搜索sequential space.
Search Space
- 將FCOS視作encoder-decoder架構，backbone表示encoder，FPN與head表示decoder；
- FPN由一系列basic block (bbt)構成，對backbone提取特徵C={C2, C3, C4, C5}、以及bbt輸出特徵執行merge操作
- basic block (bbt)基本結構：
- aggregation : element-wise sum與 concatenation followed by a 1 × 1 convolution
- 連續7次bbt，最後三個bbt輸出的features，作爲FPN的P3、P4與P5；對於沒有被使用的融合特徵，累加到P3、P4與P5；P5再通過後續兩次降採樣獲得P6與P7；
- Head由連續6個Convolution構成，candidate ops除包含FPN ops之外，也包括基本的1x1與3x3 conv（搜索空間）；用Group Norm替換Batch Norm；
- 候選op
![]()
Search Strategy
-
採用漸進式策略，先搜索FPN，再搜索head，減輕搜索負擔；
-
搜索、訓練時，固定backbone，並預先緩存backbone輸出特徵C，提高搜索效率；
-
LSTM-based controller作爲predictor，以當前配置序列與reward作爲輸入，優化訓練predictor；predictor輸出下一時刻的架構配置；
-
Evaluation metric
![]()
-
搜索結構
![]()
Result
