摘要
模型的时间/空间感受野在序列任务与空间任务中起着至关重要的作用。较大的感受野有助于建模长程依赖关系，而较小的感受野则更有利于捕捉局部细节。现有的方法通常通过人工设计的方式在各网络层中构建感受野结构。我们是否能够有效搜索出更优的感受野组合，以替代人工设计的模式？为回答这一问题，本文提出一种从全局到局部的搜索策略，用于发现更优的感受野组合。该搜索策略结合了全局搜索与局部搜索：全局搜索旨在发现超越人工设计模式的粗粒度组合；在此基础上，我们进一步提出一种基于期望引导的迭代式局部搜索机制，以高效优化并细化感受野组合。将该感受野搜索机制集成至多种模型所构建的RF-Next模型，在多项任务中均显著提升了性能，包括时间动作分割、目标检测、实例分割以及语音合成等。相关源代码已公开，可访问 http://mmcheng.net/rfnext 获取。