|
这是一篇来自小米的最新出炉的论文，使用神经架构搜索技术自动确定超分辨率网络模型，取得了又快又好的效果，模型已开源，非常赞！
Abstract Deep convolution neural networks demonstrate impressive results in the super-resolution domain. A series of studies concentrate on improving peak signal noise ratio (PSNR) by using much deeper layers, which are not friendly to constrained resources. Pursuing a trade-off between the restoration capacity and the simplicity of models is still non-trivial. Recent contributions are struggling to manually maximize this balance, while our work achieves the same goal automatically with neural architecture search. Specifically, we handle super-resolution with a multi-objective approach. We also propose an elastic search tactic at both micro and macro level, based on a hybrid controller that profits from evolutionary computation and reinforcement learning. Quantitative experiments help us to draw a conclusion that our generated models dominate most of the state-of-the-art methods with respect to the individual FLOPS.
摘要 深度卷积神经网络用于超分辨率任务中取得了长足的进步。 之前的一系列研究集中于通过使用更深层的网络来改善评价指标峰值信噪比（PSNR），而更多层往往意味着需要更多计算资料，这在计算资源有限的终端上并不容易应用。 为了设计能够在边缘设备步骤的超分辨率系统，需要在重建性能和模型的简单性之间进行权衡，但这本身并不容易把握。 学界最近的一些研究工作正在努力人工实现平衡，而本文的工作则是通过神经架构搜索自动实现相同的目标。 具体来说，本文采用多目标方法（反应模型性能的度量PSNR,反应模型计算量的mult-adds，和模型参数量）处理超分辨率。 我们还提出了一种基于混合控制器的微观和宏观层面的弹性搜索策略，该控制器利用进化计算和强化学习方法提升模型性能。 实验证明本文方法自动设计的模型在计算量可比较的模型中达到了最先进方法。
SR的神经架构
与state-of-the-art方法的精度比较
在计算量可比较的模型中，该文提出的方法精度更高
论文地址： https://arxiv.org/pdf/1901.07261v2.pdf
代码地址： https://github.com/falsr/FALSR 可惜的是，官方并没有公开训练代码。
最近，神经架构搜索研究和应用的论文越来越多，这是要替换掉算法工程师的节奏，更有人断言将来各种任务中最好的模型一定来自机器设计的模型！小米的这篇论文，在图像超分辨工程应用领域机器已经把算法工程师比下去了！
| 
发表于 2019-1-25 19:52:10
