SqueezeNAS: 速いニューラルアーキテクチャサーチによるより高速なセマンティックセグメンテーション

リアルタイムアプリケーションで深層ニューラルネットワーク（DNN）を利用する場合、モデルがターゲットタスクで高精度を達成し、ターゲットコンピューティングプラットフォーム上で低遅延推論を行うことが重要です。ニューラルアーキテクチャサーチ（NAS）は画像分類向けの低遅延ネットワーク開発に効果的に使用されてきましたが、他のビジョンタスク向けにNASを使用してDNNアーキテクチャを最適化する取り組みは比較的少ないのが現状です。本研究では、密集セマンティックセグメンテーションを対象としたプロキシレスのハードウェア認識型検索を初めて提案します。この手法により、Cityscapesセマンティックセグメンテーションデータセットにおいて遅延最適化されたネットワークの最先端の精度を向上させました。我々の遅延最適化された小型SqueezeNASネットワークは、NVIDIA AGX Xavier上で35ミリ秒未満の推論時間で68.02%の検証クラスmIOUを達成しています。また、大型SqueezeNASネットワークは100ミリ秒未満の推論時間で73.62%のクラスmIOUを達成しています。これらの結果から、特定のタスクと推論ハードウェア双方に対して最適化されたネットワークを見つけるためにNASを利用することで大幅な性能向上が可能であることを示しました。さらに、我々のネットワークと最近の最先端アーキテクチャとの詳細な比較分析も提示します。