近日，斯坦福大學(xué)李飛飛組的研究者提出了 Auto-DeepLab，其在圖像語(yǔ)義分割問題上超越了很多業(yè)內(nèi)最佳模型，甚至可以在未經(jīng)過預(yù)訓(xùn)練的情況下達(dá)到預(yù)訓(xùn)練模型的表現(xiàn)。Auto-DeepLab 開發(fā)出與分層架構(gòu)搜索空間完全匹配的離散架構(gòu)的連續(xù)松弛，顯著提高架構(gòu)搜索的效率，降低算力需求。

深度神經(jīng)網(wǎng)絡(luò)已經(jīng)在很多人工智能任務(wù)上取得了成功，包括圖像識(shí)別、語(yǔ)音識(shí)別、機(jī)器翻譯等。雖然更好的優(yōu)化器 [36] 和歸一化技術(shù) [32, 79] 在其中起了重要作用，但很多進(jìn)步要?dú)w功于神經(jīng)網(wǎng)絡(luò)架構(gòu)的設(shè)計(jì)。在計(jì)算機(jī)視覺中，這適用于圖像分類和密集圖像預(yù)測(cè)。

表 1：本研究提出的模型 Auto-DeepLab 和其它雙層 CNN 架構(gòu)的對(duì)比。主要區(qū)別有：(1) Auto-DeepLab 直接搜索用于語(yǔ)義分割的 CNN 架構(gòu)；(2) Auto-DeepLab 搜索網(wǎng)絡(luò)級(jí)架構(gòu)和單元級(jí)架構(gòu)；(3) Auto-DeepLab 的高效搜索在一個(gè) P100 GPU 上僅需 3 天。

最近，在AutoML和 AI 民主化的影響下，人們對(duì)自動(dòng)化設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)架構(gòu)產(chǎn)生了極大興趣，自動(dòng)化設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)無需嚴(yán)重依賴專家經(jīng)驗(yàn)和知識(shí)。更重要的是，去年神經(jīng)架構(gòu)搜索（NAS）成功找到了在大規(guī)模圖像分類任務(wù)上超越人類設(shè)計(jì)架構(gòu)的網(wǎng)絡(luò)架構(gòu) [92, 47, 61]。

圖像分類對(duì) NAS 來說是一個(gè)很好的起點(diǎn)，因?yàn)樗亲罨A(chǔ)且研究最深入的高級(jí)識(shí)別任務(wù)。此外，該研究領(lǐng)域存在具有規(guī)模相對(duì)較小的基準(zhǔn)數(shù)據(jù)集（如 CIFAR-10），從而減少了計(jì)算量并加快了訓(xùn)練速度。然而，圖像分類不應(yīng)該是 NAS 的終點(diǎn)，現(xiàn)下的成功表明它可以擴(kuò)展至要求更高的領(lǐng)域。在本文中，作者研究了用于語(yǔ)義圖像分割的神經(jīng)架構(gòu)搜索。這是一項(xiàng)重要的計(jì)算機(jī)視覺任務(wù)，它為輸入圖像的每個(gè)像素分配標(biāo)簽，如「人」或「自行車」。

簡(jiǎn)單地移植圖像分類的方法不足以進(jìn)行語(yǔ)義分割。在圖像分類中，NAS 通常使用從低分辨率圖像到高分辨率圖像的遷移學(xué)習(xí) [92]，而語(yǔ)義分割的最佳架構(gòu)必須在高分辨率圖像上運(yùn)行。這表明，本研究需要：(1) 更松弛、更通用的搜索空間，以捕捉更高分辨率導(dǎo)致的架構(gòu)變體；(2) 更高效的架構(gòu)搜索技術(shù)，因?yàn)楦叻直媛市枰挠?jì)算量更大。

作者注意到，現(xiàn)代 CNN 設(shè)計(jì)通常遵循兩級(jí)分層結(jié)構(gòu)，其中外層網(wǎng)絡(luò)控制空間分辨率的變化，內(nèi)層單元級(jí)架構(gòu)管理特定的分層計(jì)算。目前關(guān)于 NAS 的絕大多數(shù)研究都遵循這個(gè)兩級(jí)分層設(shè)計(jì)，但只自動(dòng)化搜索內(nèi)層網(wǎng)絡(luò)，而手動(dòng)設(shè)計(jì)外層網(wǎng)絡(luò)。這種有限的搜索空間對(duì)密集圖像預(yù)測(cè)來說是一個(gè)問題，密集圖像預(yù)測(cè)對(duì)空間分辨率變化很敏感。因此在本研究中，作者提出了一種格子狀的網(wǎng)絡(luò)級(jí)搜索空間，該搜索空間可以增強(qiáng) [92] 首次提出的常用單元級(jí)搜索空間，以形成分層架構(gòu)搜索空間。本研究的目標(biāo)是聯(lián)合學(xué)習(xí)可重復(fù)單元結(jié)構(gòu)和網(wǎng)絡(luò)結(jié)構(gòu)的良好組合，用于語(yǔ)義圖像分割。

就架構(gòu)搜索方法而言，強(qiáng)化學(xué)習(xí)和進(jìn)化算法往往是計(jì)算密集型的——即便在低分辨率數(shù)據(jù)集 CIFAR-10 上，因此它們不太適合語(yǔ)義圖像分割任務(wù)。受 NAS 可微分公式 [68, 49] 的啟發(fā)，本研究開發(fā)出與分層架構(gòu)搜索空間完全匹配的離散架構(gòu)的連續(xù)松弛。分層架構(gòu)搜索通過隨機(jī)梯度下降實(shí)施。當(dāng)搜索終止時(shí)，最好的單元架構(gòu)會(huì)被貪婪解碼，而最好的網(wǎng)絡(luò)架構(gòu)會(huì)通過維特比算法得到有效解碼。作者在從 Cityscapes 數(shù)據(jù)集中裁剪的 321×321 圖像上直接搜索架構(gòu)。搜索非常高效，在一個(gè) P100 GPU 上僅需 3 天。

作者在多個(gè)語(yǔ)義分割基準(zhǔn)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，包括 Cityscapes、PASCAL VOC 2012 和 ADE20K。在未經(jīng) ImageNet 預(yù)訓(xùn)練的情況下，最佳 Auto-DeepLab 模型在 Cityscapes 測(cè)試集上的結(jié)果超過 FRRN-B 8.6%，超過 GridNet 10.9%。在利用 Cityscapes 粗糙標(biāo)注數(shù)據(jù)的實(shí)驗(yàn)中，Auto-DeepLab 與一些經(jīng)過 ImageNet 預(yù)訓(xùn)練的當(dāng)前最優(yōu)模型的性能相近。值得注意的是，本研究的最佳模型（未經(jīng)過預(yù)訓(xùn)練）與 DeepLab v3+（有預(yù)訓(xùn)練）的表現(xiàn)相近，但在 MultiAdds 中前者的速度是后者的 2.23 倍。另外，Auto-DeepLab 的輕量級(jí)模型性能僅比 DeepLab v3+ 低 1.2%，而參數(shù)量需求卻少了 76.7%，在 MultiAdds 中的速度是 DeepLab v3+ 的 4.65 倍。在 PASCAL VOC 2012 和 ADE29K 上，Auto-DeepLab 最優(yōu)模型在使用極少數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練的情況下，性能優(yōu)于很多當(dāng)前最優(yōu)模型。

本論文主要貢獻(xiàn)如下：

這是首次將 NAS 從圖像分類任務(wù)擴(kuò)展到密集圖像預(yù)測(cè)任務(wù)的嘗試之一。

該研究提出了一個(gè)網(wǎng)絡(luò)級(jí)架構(gòu)搜索空間，它增強(qiáng)和補(bǔ)充了已經(jīng)得到深入研究的單元級(jí)架構(gòu)搜索，并對(duì)網(wǎng)絡(luò)級(jí)和單元級(jí)架構(gòu)進(jìn)行更具挑戰(zhàn)性的聯(lián)合搜索。

本研究提出了一種可微的連續(xù)方式，保證高效運(yùn)行兩級(jí)分層架構(gòu)搜索，在一個(gè) GPU 上僅需 3 天。

在未經(jīng) ImageNet 預(yù)訓(xùn)練的情況下，Auto-DeepLab 模型在 Cityscapes 數(shù)據(jù)集上的性能顯著優(yōu)于 FRRN-B 和 GridNet，同時(shí)也和 ImageNet 預(yù)訓(xùn)練當(dāng)前最佳模型性能相當(dāng)。在 PASCAL VOC 2012 和 ADE20K 數(shù)據(jù)集上，最好的 Auto-DeepLab 模型優(yōu)于多個(gè)當(dāng)前最優(yōu)模型。

論文：Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Image Segmentation

論文地址：https://arxiv.org/pdf/1901.02985v1.pdf

摘要：近期，在圖像分類問題上神經(jīng)架構(gòu)搜索（NAS）確定的神經(jīng)網(wǎng)絡(luò)架構(gòu)能力超越人類設(shè)計(jì)的網(wǎng)絡(luò)。本論文將研究用于語(yǔ)義圖像分割的 NAS，語(yǔ)義圖像分割是將語(yǔ)義標(biāo)簽分配給圖像中每個(gè)像素的重要計(jì)算機(jī)視覺任務(wù)。現(xiàn)有的研究通常關(guān)注搜索可重復(fù)的單元結(jié)構(gòu)，對(duì)控制空間分辨率變化的外部網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行人工設(shè)計(jì)。這種做法簡(jiǎn)化了搜索空間，但對(duì)于具備大量網(wǎng)絡(luò)級(jí)架構(gòu)變體的密集圖像預(yù)測(cè)而言，該方法帶來的問題很多。因此，該研究提出在搜索單元結(jié)構(gòu)之外還要搜索網(wǎng)絡(luò)級(jí)架構(gòu)，從而形成一個(gè)分層架構(gòu)搜索空間。本研究提出一種包含多種流行網(wǎng)絡(luò)設(shè)計(jì)的網(wǎng)絡(luò)級(jí)搜索空間，并提出一個(gè)公式來進(jìn)行基于梯度的高效架構(gòu)搜索（在 Cityscapes 圖像上使用 1 個(gè) P100 GPU 僅需 3 天）。本研究展示了該方法在較難的 Cityscapes、PASCAL VOC 2012 和 ADE20K 數(shù)據(jù)集上的效果。在不經(jīng)任何 ImageNet 預(yù)訓(xùn)練的情況下，本研究提出的專用于語(yǔ)義圖像分割的架構(gòu)獲得了當(dāng)前最優(yōu)性能。

4 方法

這部分首先介紹了精確匹配上述分層架構(gòu)搜索的離散架構(gòu)的連續(xù)松弛，然后討論了如何通過優(yōu)化執(zhí)行架構(gòu)搜索，以及如何在搜索終止后解碼離散架構(gòu)。

4.2 優(yōu)化

連續(xù)松弛的作用在于控制不同隱藏狀態(tài)之間連接強(qiáng)度的標(biāo)量現(xiàn)在也是可微計(jì)算圖的一部分。因此可以使用梯度下降對(duì)其進(jìn)行高效優(yōu)化。作者采用了 [49] 中的一階近似，將訓(xùn)練數(shù)據(jù)分割成兩個(gè)單獨(dú)的數(shù)據(jù)集 trainA 和 trainB。優(yōu)化在以下二者之間交替進(jìn)行：

1. 用 ?_w L_trainA(w, α, β) 更新網(wǎng)絡(luò)權(quán)重 w；

2. 用 ?_(α,β) L_trainB(w, α, β) 更新架構(gòu) α, β。

其中損失函數(shù) L 是在語(yǔ)義分割小批量上計(jì)算的交叉熵。

4.3 解碼離散架構(gòu)

單元架構(gòu)

和 [49] 一樣，本研究首先保留每個(gè)構(gòu)造塊的兩個(gè)最強(qiáng)前任者（predecessor），然后使用 argmax 函數(shù)選擇最可能的 operator，從而解碼離散單元架構(gòu)。

網(wǎng)絡(luò)架構(gòu)

公式 7 本質(zhì)上表明圖 1 中每個(gè)藍(lán)色節(jié)點(diǎn)處的「outgoing 概率」的總和為 1。事實(shí)上，β 可被理解為不同「時(shí)間步」（層數(shù)）中不同「狀態(tài)」（空間分辨率）之間的「transition 概率」。本研究的目標(biāo)是從頭開始找到具備「最大概率」的的路徑。在實(shí)現(xiàn)中，作者可以使用經(jīng)典維特比算法高效解碼該路徑。

圖 1：左圖是 L = 12 時(shí)的網(wǎng)絡(luò)級(jí)搜索空間。灰色節(jié)點(diǎn)表示固定的「stem」層，沿著藍(lán)色節(jié)點(diǎn)形成的路徑表示候選網(wǎng)絡(luò)級(jí)架構(gòu)。右圖展示了搜索過程中，每個(gè)單元是一個(gè)密集連接的結(jié)構(gòu)。

5 實(shí)驗(yàn)結(jié)果

圖 3：使用本研究提出的分層神經(jīng)架構(gòu)搜索方法找到的最優(yōu)網(wǎng)絡(luò)架構(gòu)和單元架構(gòu)。灰色虛線箭頭表示每個(gè)節(jié)點(diǎn)處具備最大 β 值的連接。atr 指空洞卷積（atrous convolution），sep 指深度可分離卷積（depthwise-separable convolution）。

圖 4：在 10 次隨機(jī)試驗(yàn)中，40 個(gè) epoch 中架構(gòu)搜索優(yōu)化的驗(yàn)證準(zhǔn)確率。

表 2：不同 Auto-DeepLab 模型變體在 Cityscapes 驗(yàn)證集上的結(jié)果。F：控制模型容量的 filter multiplier。所有 Auto-DeepLab 模型都是從頭開始訓(xùn)練，且在推斷過程中使用單尺度輸入。

表 3：Cityscapes 驗(yàn)證集結(jié)果。研究采用不同的訓(xùn)練迭代次數(shù)（50 萬、100 萬與 150 萬次迭代）和 SDP（Scheduled Drop Path）方法進(jìn)行實(shí)驗(yàn)。所有模型都是從頭訓(xùn)練的。

表 4：模型在推斷過程中使用多尺度輸入時(shí)在 Cityscapes 測(cè)試集上的結(jié)果。ImageNet：在 ImageNet 上預(yù)訓(xùn)練的模型。Coarse：利用粗糙注釋的模型。

表 5：PASCAL VOC 2012 驗(yàn)證集結(jié)果。本研究采用多尺度推理（MS，multi-scale inference）和 COCO 預(yù)訓(xùn)練檢查點(diǎn)（COCO）進(jìn)行實(shí)驗(yàn)。在未經(jīng)任何預(yù)訓(xùn)練的情況下，本研究提出的最佳模型（Auto-DeepLab-L）超越了 DropBlock 20.36%。所有的模型都沒有使用 ImageNet 圖像做預(yù)訓(xùn)練。

表 6：PASCAL VOC 2012 測(cè)試集結(jié)果。本研究提出的 AutoDeepLab-L 取得了可與眾多在 ImageNet 和 COCO 數(shù)據(jù)集上預(yù)訓(xùn)練的頂級(jí)模型相媲美的結(jié)果。

表 7：ADE20K 驗(yàn)證集結(jié)果。在推斷過程中使用多尺度輸入。? 表示結(jié)果分別是從他們最新的模型 zoo 網(wǎng)站獲得的。ImageNet：在 ImageNet 上預(yù)訓(xùn)練的模型。Avg：mIOU 和像素準(zhǔn)確率的均值。

圖 5：在 Cityscapes 驗(yàn)證集上的可視化結(jié)果。最后一行展示了本研究提出方法的故障模式，模型將一些較難的語(yǔ)義類別混淆了，如人和騎車的人。

圖 6：在 ADE20K 驗(yàn)證集上的可視化結(jié)果。最后一行展示了本研究提出方法的故障模式，模型無法分割非常細(xì)粒度的對(duì)象（如椅子腿），且將較難的語(yǔ)義類別混淆了（如地板和地毯）