摘要
由于目标检测任务通常依赖大规模数据集和复杂的网络模块，训练卷积神经网络（CNN）耗时较长，导致直接在检测数据集上进行架构搜索极为困难，往往需要巨大的搜索成本（通常达数十甚至上百GPU天）。相比之下，本文提出一种高效框架——EAutoDet，可在仅1.4 GPU天内即可发现适用于目标检测的实际骨干网络（backbone）与特征金字塔网络（FPN）架构。具体而言，我们为骨干网络和FPN模块构建了一个超网络（supernet），并采用可微分搜索方法。为降低GPU显存占用和计算开销，我们提出一种核重用技术，通过共享同一边上的候选操作的权重，并将其合并为单一卷积层，从而有效减少资源消耗。同时，引入动态通道精炼策略，用于高效搜索各层通道数。大量实验表明，所提方法在性能与效率方面均表现出显著优势。特别地，所发现的架构在COCO test-dev数据集上分别实现了40.1 mAP（120 FPS）和49.2 mAP（41.3 FPS）的检测性能，超越当前最先进的目标检测神经架构搜索（NAS）方法。此外，我们将所发现的架构迁移至旋转目标检测任务，在DOTA-v1.0测试集上取得了77.05 mAP$_{\text{50}}$的优异结果，模型参数量仅为2110万。