论文链接：NAS-FCOS: Fast Neural Architecture Search for Object Detection
官方代码：https://github.com/Lausannen/NAS-FCOS
FCOS结构图
基于FCOS，使用nas方法，提出nas-fcos
主要内容：
1、使用nas方法，搜索FPN和head结构。
2、使用nas方法，探索FPN和head之间的关系，证明head中权重共享的重要性
3、nas-focs通用灵活，可以替换不同的backbone
3, 000 architectures using 28 GPU-days only
Problem Formulation
网络g包含3个部分：
- b: backbone
- f: fpn
- h: head
搜索f和h, 对于 f 搜索 basic block，对于h搜索sequential space.
Search Space
- 将FCOS视作encoder-decoder架构，backbone表示encoder，FPN与head表示decoder；
- FPN由一系列basic block (bbt)构成，对backbone提取特征C={C2, C3, C4, C5}、以及bbt输出特征执行merge操作
- basic block (bbt)基本结构：
- aggregation : element-wise sum与 concatenation followed by a 1 × 1 convolution
- 连续7次bbt，最后三个bbt输出的features，作为FPN的P3、P4与P5；对于没有被使用的融合特征，累加到P3、P4与P5；P5再通过后续两次降采样获得P6与P7；
- Head由连续6个Convolution构成，candidate ops除包含FPN ops之外，也包括基本的1x1与3x3 conv（搜索空间）；用Group Norm替换Batch Norm；
- 候选op
![]()
Search Strategy
-
采用渐进式策略，先搜索FPN，再搜索head，减轻搜索负担；
-
搜索、训练时，固定backbone，并预先缓存backbone输出特征C，提高搜索效率；
-
LSTM-based controller作为predictor，以当前配置序列与reward作为输入，优化训练predictor；predictor输出下一时刻的架构配置；
-
Evaluation metric
![]()
-
搜索结构
![]()
Result
