[57] Learning Transferable Architectures for Scalable Image Recognition

[long8v]

paper

TL;DR

• task : image classification, object detection
• problem : 뉴럴네트워크를 잘 학습하기 위해 아키텍쳐 엔지니어링이 너무 많이 들어간다!
• idea : 네트워크 내에서 작은 데이터에 대해 building block을 찾고 큰 데이터에 대해서 이걸 transfer 하도록 하자
• architecture : RNN Controller가 이전 2개의 레이어의 output을 받고 어떤 레이어의 output을 받을건지 선택하고, 그 레이어에 어떤 conv를 쌓을지 선택함. 선택을 할 때 이전 기본 NAS 연구에서는 reinforcement learning을 사용했지만, 이 연구에서는 random으로 해도 성능의 하락이 작아서 random serach함.
• objective : image classification loss, object detection loss
• baseline : hand-crafted SOTA models(DenseNet, Shake-Shake, MobileNet, ShuffleNet), NAS v3
• data : CIFAR-10, ImageNet, COCO
• result : 더 작은 계산비용으로 image classification / object detection SOTA.
• contribution : NAS 보다 효율적인 아키텍쳐(random search, CIFAR-10으로 선택한 아키텍쳐로 ImageNet으로 학습)이지만 더 나은 성능
• limitation or 이해 안되는 부분 :

Details

NAS

Controller가 하는 5가지의 prediction

Controller가 고를 수 있는 레이어들

Architecture