FBNetV5：单次运行中的多任务神经架构搜索

神经架构搜索（Neural Architecture Search, NAS）已被广泛用于设计高精度且高效的图像分类模型。然而，将NAS应用于新的计算机视觉任务仍需投入大量人力与计算资源。这主要源于三个原因：其一，以往的NAS研究过度聚焦于图像分类任务，而忽视了其他视觉任务；其二，许多NAS方法专注于优化特定任务的组件，这些组件难以在不同任务间有效迁移；其三，现有NAS方法通常采用“无代理”（proxyless）设计，导致在集成到新任务的训练流程时需要大量定制化工作。为应对上述挑战，我们提出FBNetV5——一种新型NAS框架，能够以显著降低的计算成本和人工投入，为多种视觉任务搜索神经网络架构。具体而言，FBNetV5具备以下三个关键设计：1）构建了一个简洁但涵盖性强且具备良好迁移能力的搜索空间；2）设计了一种与目标任务训练流程解耦的多任务搜索机制；3）提出一种算法，可在单次搜索过程中同时为多个任务寻找最优架构，且其计算成本与任务数量无关。我们在三项基础视觉任务上对FBNetV5进行了评估：图像分类、目标检测与语义分割。在一次搜索运行中，FBNetV5所生成的模型在所有三项任务上均超越了此前的最先进水平：在图像分类任务中（如在与FBNetV3相同计算量FLOPs条件下），ImageNet Top-1准确率提升达+1.3%；在语义分割任务中（相比SegFormer，仅需3.6倍更少的FLOPs），ADE20K验证集上的mIoU提升+1.8%；在目标检测任务中（相比YOLOX，仅需1.2倍更少的FLOPs），COCO验证集mAP提升+1.1%。