摘要
神经架构搜索（Neural Architecture Search, NAS）技术已在多个领域涌现，用于联合学习神经网络的架构与权重。然而，现有大多数NAS研究虽声称具有任务特定性，仅聚焦于优化单一架构以替代人工设计的神经网络，实际上其搜索过程几乎与任务领域的先验知识无关。本文提出一种新型方法——姿态神经织构搜索（Pose Neural Fabrics Search, PoseNFS），探索NAS与人体姿态估计任务结合的新范式：基于人体部位特性的神经架构搜索，可视为一种多任务学习的变体。首先，我们设计了一种新的神经架构搜索空间——基于单元的神经织构（Cell-based Neural Fabric, CNF），采用可微分搜索策略，实现对微观与宏观神经架构的联合学习。其次，我们将人体关键点定位视为多个解耦的预测子任务，并引入人体结构的先验知识作为引导，针对不同人体部位搜索相应的、具有特异性的神经架构。经过搜索后，各个部位的CNF均具备独特的微观与宏观架构参数。实验结果表明，这种基于知识引导的NAS架构显著优于人工设计的基于部位的基准模型。在MPII和MS-COCO数据集上的实验验证显示，PoseNFS（代码已公开于https://github.com/yangsenius/PoseNFS）能够达到与部分高效且前沿方法相当的性能水平。