Manual 轻量级人脸检测器设计: 早期的轻量级人脸检测器 FaceBoxes BlazeFace 均采用Single-stage目标检测器的结构 SSD) 并替换为自己手工设计的backbone模块(e.g., Faceboxes引入了Crelu BlazeFace 引入了DW Conv )。这些方法的共同弊端是无法随着算力约束的变化而自动调整人脸检测器结构 限制了其应用场景。
1. Motivation

        目前的Nas方法主要由两个模块组成 网络生成器和精度预测器。其中网络生成器用于生成候选的backbone结构 精度预测器用来对采样的backbone结构预测精度。由于检测和分类的任务目标不一致 前者更重视backbone stage-level (c2-c5)的表征 而后者更重视high-level(c5)的表征 这就导致了用于分类任务上的精度预测器擅长预测high-level的表征能力而无法预测stage-level的表征能力。因此 在人脸检测任务上 我们需要一个可以预测stage-level表征能力的精度预测器来更好的搜索face detection-friendly backbone。

2. Preliminaries

        首先我们介绍下与我们方法相关的背景知识

3. Method

        针对如何设计可以预测stage-level表征能力的精度预测器 我们从刻画network expressivity的角度出发 创新性地提出了SAR-score来无偏的刻画stage-wise network expressivity 同时基于数据集gt的先验分布 来确定不同stage的重要性 进一步提出了DDSAR-score 来刻画detection backbone的精度。

3.1 Adopt Theorem2 to charaterize stage-level network expressivity

3.2 Two issues ocuur

3.3 Stage-aware Expressivity Score

                      设计准则

3.4 Filter Sensitivity Score

3.5 SAR-Score and DDSAR-Score

3.6 Serch Space and Evolutionary Architecture Search

四、结果

五、展望与应用 减少对超参敏感性 我们在实验的过程中发现DDSAR搜索轻量级(500m)的检测结构时对超参不太敏感 很快就会得到不错的结构 但是搜2.5G, 10G和34G Flops下的检测结构时对超参比较敏感 需要对\alpha以及搜索空间进行调整。可能原因是我们的filter sensitity score 为了加速计算过程 只能近似反应对filter size的敏感性 后续可以从其他角度优化下上述的暴力枚举过程。增强方法在不同检测任务上的普适性: 我们的DDSAR-score是用来刻画检测器表达能力的score 理论上应该在不同检测任务上都应该做的很好。我们目前只考虑了数据集gt的分布 但是不同检测数据集还有数据质量 数据集规模的差异 可以围绕data-centric的思想来对数据集的质量, 数据增强等维度来进一步建立数据集和精度预测器之间的关系 从而实现在不同检测任务上都很有效。更精准的计算网络linear region的数量: 通过linear region的数量来刻画网络的表达能力在ML领域发表了很多paper 可以尝试下更精准的bound或者exact number fo linear region。

 


目前的NAS方法主要由两个模块组成，网络生成器和精度预测器。其中网络生成器用于生成候选的backbone结构，精度预测器用来对采样的backbone结构预测精度。由于检测和分类的任务目标不一致，前者更重视backbone stage-level (c2-c5)的表征，而后者更重视high-level(c5)的表征。本文旨在解决分类任务上的精度预测器擅长预测high-level表征能力而无法预测stage-level表征能力的问题。 复制链接
深度学习之图像分类模型inception v2、inception v3解读 70165

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

更多文章请关注《万象专栏》