近日，斯坦福大学李飞飞组的研究者发表论文《Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Image Segmentation》，提出了Auto-DeepLab，其在图像语义分割问题上超越了很多业内最佳模型，甚至可以在未经过预训练的情况下达到预训练模型的表现。Auto-DeepLab开发出与分层架构搜索空间完全匹配的离散架构的连续松弛，能够显著提高架构搜索的效率，降低算力需求。
据了解，该论文主要贡献如下：
•这是首次将 NAS 从图像分类任务扩展到密集图像预测任务的尝试之一。
•该研究提出了一个网络级架构搜索空间，它增强和补充了已经得到深入研究的单元级架构搜索，并对网络级和单元级架构进行更具挑战性的联合搜索。
•本研究提出了一种可微的连续方式，保证高效运行两级分层架构搜索，在一个 GPU 上仅需 3 天。
•在未经 ImageNet 预训练的情况下，Auto-DeepLab 模型在 Cityscapes 数据集上的性能显著优于 FRRN-B 和 GridNet，同时也和 ImageNet 预训练当前最佳模型性能相当。在 PASCAL VOC 2012 和 ADE20K 数据集上，最好的 Auto-DeepLab 模型优于多个当前最优模型。
据悉，在回归斯坦福大学当教授之前，李飞飞曾担任谷歌中国AI负责人，并在担任谷歌云负责人与首席科学家的两年间，建立了一个高效的团队，帮助 Google 加速将人工智能和机器学习引入自己的云服务中。
您可能也喜欢这些文章
资讯是全球知名展览公司百科展览集团旗下的专业媒体平台，自1994年品牌成立以来，一直专注于安全&自动化产业前沿产品、技术及市场趋势的专业媒体传播和品牌服务。从安全管理到产业数字化，资讯拥有首屈一指的国际行业展览会资源以及丰富的媒体经验，提供媒体、活动、展会等整合营销服务。
粤公网安备 44030402000264号
