まず、NASNetの目標検出
スケーラブルな画像認識のための学習譲渡アーキテクチャ
- 論文リンク:https://arxiv.org/abs/1707.07012
- ペーパーコード:https://github.com/tensorflow/models/tree/master/research/slim/nets/nasnet
二、NASNet
ネットワーク構造の自動生成
上記のように、コントローラRNNは、R Pでスケーリング収束精度R、更新されたRNN勾配制御を達成するように訓練された構造のAサブネットワークを有する、予測構造Aから確率pを用いて空間を探索します。
2、重複思想を用いresnetインセプションブロック構造を使用して
紙は、RNNコントローラはまた、非常に異なると、元のNASの場所である基本単位畳み込みセルを、学ぶために取得すること、(例えばResNetとGoogleNetなど)、現在の主流の考え方繰り返して積層優れたネットワーク構造の上に描画します。紙これらの2個の細胞に示されるように、畳み込みセルを積層して全体のネットワーク構造を構築するためには、図1のネットワーク構造上のデータの異なるセットに基づいて構築されています。
任意のサイズのものとすることができるスケーラブルなネットワークアーキテクチャと画像の構造を生成するために、この論文に基づく設計は、2個の主なconvlolution細胞を含みます。
- セルノーマル:入力特徴マップのサイズを変更せずに畳み込み、
- セルの削減:入力特徴マップの長さと幅は、それがストライドのサイズを大きくすることによって、サイズを小さくすることで、元の畳み込みの半分に減少しています。
最後に、コントローラは、両方のRNNセルを予測するために使用されます。
図3は、大規模なデータセットへのネットワーク移行を学んで生成された転送を使用することで、新たな探索空間を提案しています
一个convolution cell由B个block组成,那么一个block又是什么呢,如上图所示,对于每个block来说RNN控制器有5个预测步骤也有5个输出的预测值。每个block的输入是前面的两个block的最后的输出。
预测步骤一共是5个步骤:
- 从h_i,h_i−1或从隐状态的集合中选择一个隐藏的状态,例如上图基本模块的hidden layer A;
- 从与步骤1相同的选项中选择第二个隐藏状态,例如上图基本模块的hidden layer B;
- 选择要应用于步骤1中选择的隐藏状态的操作(黄色框);
- 选择要应用于步骤2中选择的隐藏状态的操作(黄色框);
- 选择一个方法来组合步骤3和步骤4的输出来创建(绿色框);
考虑到计算资源的限制,论文限制了search space,设置B=5。
步骤3和步骤4中选择的操作可以下面的这些选项选择 :
搜索策略:
文章进行了布鲁斯-随机搜索(RS)和强化学习(RL)的对比,得出强化学习(红色)可以获得比随机搜索(蓝色)更好的结果。
最终结构NASNet-A:
4、结果
</div>
<link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-b6c3c6d139.css" rel="stylesheet">
<div class="more-toolbox">
<div class="left-toolbox">
<ul class="toolbox-list">
<li class="tool-item tool-active is-like "><a href="javascript:;"><svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-thumbsup"></use>
</svg><span class="name">点赞</span>
<span class="count"></span>
</a></li>
<li class="tool-item tool-active is-collection "><a href="javascript:;" data-report-click="{"mod":"popu_824"}"><svg class="icon" aria-hidden="true">
<use xlink:href="#icon-csdnc-Collection-G"></use>
</svg><span class="name">收藏</span></a></li>
<li class="tool-item tool-active is-share"><a href="javascript:;"><svg class="icon" aria-hidden="true">
<use xlink:href="#icon-csdnc-fenxiang"></use>
</svg>分享</a></li>
<!--打赏开始-->
<!--打赏结束-->
<li class="tool-item tool-more">
<a>
<svg t="1575545411852" class="icon" viewBox="0 0 1024 1024" version="1.1" xmlns="http://www.w3.org/2000/svg" p-id="5717" xmlns:xlink="http://www.w3.org/1999/xlink" width="200" height="200"><defs><style type="text/css"></style></defs><path d="M179.176 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5718"></path><path d="M509.684 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5719"></path><path d="M846.175 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5720"></path></svg>
</a>
<ul class="more-box">
<li class="item"><a class="article-report">文章举报</a></li>
</ul>
</li>
</ul>
</div>
</div>
<div class="person-messagebox">
<div class="left-message"><a href="https://blog.csdn.net/thisiszdy">
<img src="https://profile.csdnimg.cn/E/C/9/3_thisiszdy" class="avatar_pic" username="thisiszdy">
<img src="https://g.csdnimg.cn/static/user-reg-year/1x/2.png" class="user-years">
</a></div>
<div class="middle-message">
<div class="title"><span class="tit"><a href="https://blog.csdn.net/thisiszdy" data-report-click="{"mod":"popu_379"}" target="_blank">thisiszdy</a></span>
</div>
<div class="text"><span>发布了53 篇原创文章</span> · <span>获赞 15</span> · <span>访问量 2万+</span></div>
</div>
<div class="right-message">
<a href="https://im.csdn.net/im/main.html?userName=thisiszdy" target="_blank" class="btn btn-sm btn-red-hollow bt-button personal-letter">私信
</a>
<a class="btn btn-sm bt-button personal-watch" data-report-click="{"mod":"popu_379"}">关注</a>
</div>
</div>
</div>
一、目标检测之NASNet
Learning Transferable Architectures for Scalable Image Recognition
- 论文链接:https://arxiv.org/abs/1707.07012
- 论文代码:https://github.com/tensorflow/models/tree/master/research/slim/nets/nasnet
二、NASNet
1、自动产生网络结构
如上图所示,控制器RNN利用概率p从搜索空间预测结构A,一个具有A结构的子网络被训练成收敛性达到精度R,用R缩放p的梯度来更新RNN控制器。
2、采用resnet和Inception重叠使用block结构思想
论文借鉴了目前主流优秀的网络结构(如ResNet和GoogleNet)的重复堆叠思想,使得RNN控制器学习得到也是基本单元convolutional cell,这是和原来的NAS很不一样的地方。论文通过堆叠convolution cell从而构建整个网络结构,上图所示就是基于这两种cell在不同数据集上构建的网络结构。
为了生成可扩展的网络结构并且能够结构任意size的图像,基于此论文设计的convlolution cell主要包含两种:
- Normal Cell:不改变输入feature map的大小的卷积;
- Reduction Cell:将输入feature map的长宽各减少为原来的一半的卷积,是通过增加stride的大小来降低size。
最后RNN控制器用来预测这两种Cell。
3、利用迁移学习将生成的网络迁移到大数据集上提出一个new search space
一个convolution cell由B个block组成,那么一个block又是什么呢,如上图所示,对于每个block来说RNN控制器有5个预测步骤也有5个输出的预测值。每个block的输入是前面的两个block的最后的输出。
预测步骤一共是5个步骤:
- 从h_i,h_i−1或从隐状态的集合中选择一个隐藏的状态,例如上图基本模块的hidden layer A;
- 例えば、ステップ1と同様のオプションから第二の隠れ状態を選択し、図隠れ層Bのベースモジュール。
- 選択された状態に隠された適用手順(黄色のボックス)を選択します。
- 隠された状態2を選択し適用するステップ(黄色のボックス)を選択します。
- (緑色のボックス)を作成する出力ステップ3及び4の組み合わせを選択する方法。
計算リソースの限界を考慮すると、紙の探索空間、集合B = 5を制限します。
手順の選択3と4の操作は、以下のオプションを選択できます。
検索戦略:
記事ブルースだった- (RL)を学習ランダム探索(RS)と補強を比較し、取得した強化学習(赤)は、ランダム探索より求めることができます(青)より良好な結果。
最終的な構造NASNet-A:
4つの結果
</div>
<link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-b6c3c6d139.css" rel="stylesheet">
<div class="more-toolbox">
<div class="left-toolbox">
<ul class="toolbox-list">
<li class="tool-item tool-active is-like "><a href="javascript:;"><svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-thumbsup"></use>
</svg><span class="name">点赞</span>
<span class="count"></span>
</a></li>
<li class="tool-item tool-active is-collection "><a href="javascript:;" data-report-click="{"mod":"popu_824"}"><svg class="icon" aria-hidden="true">
<use xlink:href="#icon-csdnc-Collection-G"></use>
</svg><span class="name">收藏</span></a></li>
<li class="tool-item tool-active is-share"><a href="javascript:;"><svg class="icon" aria-hidden="true">
<use xlink:href="#icon-csdnc-fenxiang"></use>
</svg>分享</a></li>
<!--打赏开始-->
<!--打赏结束-->
<li class="tool-item tool-more">
<a>
<svg t="1575545411852" class="icon" viewBox="0 0 1024 1024" version="1.1" xmlns="http://www.w3.org/2000/svg" p-id="5717" xmlns:xlink="http://www.w3.org/1999/xlink" width="200" height="200"><defs><style type="text/css"></style></defs><path d="M179.176 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5718"></path><path d="M509.684 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5719"></path><path d="M846.175 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5720"></path></svg>
</a>
<ul class="more-box">
<li class="item"><a class="article-report">文章举报</a></li>
</ul>
</li>
</ul>
</div>
</div>
<div class="person-messagebox">
<div class="left-message"><a href="https://blog.csdn.net/thisiszdy">
<img src="https://profile.csdnimg.cn/E/C/9/3_thisiszdy" class="avatar_pic" username="thisiszdy">
<img src="https://g.csdnimg.cn/static/user-reg-year/1x/2.png" class="user-years">
</a></div>
<div class="middle-message">
<div class="title"><span class="tit"><a href="https://blog.csdn.net/thisiszdy" data-report-click="{"mod":"popu_379"}" target="_blank">thisiszdy</a></span>
</div>
<div class="text"><span>发布了53 篇原创文章</span> · <span>获赞 15</span> · <span>访问量 2万+</span></div>
</div>
<div class="right-message">
<a href="https://im.csdn.net/im/main.html?userName=thisiszdy" target="_blank" class="btn btn-sm btn-red-hollow bt-button personal-letter">私信
</a>
<a class="btn btn-sm bt-button personal-watch" data-report-click="{"mod":"popu_379"}">关注</a>
</div>
</div>
</div>