在这篇文章中：

• 怎么搜出来？
• 模型怎么样？
• One More Thing

本文转载自量子位(QbitAI)

这是一只AI生出的小AI。

谷歌大脑的Quoc Le团队，用神经网络架构搜索 (NAS) ，发现了一个目标检测模型。长这样：

△ 看不清请把手机横过来

它的准确率和速度都超过了大前辈Mask-RCNN；也超过了另外两只行业精英：FPN和SSD。

模型叫做NAS-FPN。大佬Quoc Le说，它的长相完全在想象之外，十分前卫：

△ 喜讯发布一日，已收获600颗心

AI的脑洞果然和人类不一样。对比一下，目标检测界的传统方法FPN (特征金字塔网络) 长这样：

谷歌大脑说，虽然网络架构搜索 (NAS) 并不算新颖，但他们用的搜索空间与众不同。

怎么搜出来？

在NAS-FPN出现之前，地球上最强大的目标检测模型，架构都是人类手动设计的。

△ 这是Mask-RCNN的成果

NAS是一种自动调参的方法，调的不是训练超参数，是网络架构超参数：比如网络多少层、每层都是什么算子、卷积层里的过滤器大小等等。

它可以在许多许多不同的架构里，快速找到性能最好的那一个。

所以，要把目标检测的常用架构FPN (特征金字塔网络) 和NAS结合起来，发现那只最厉害的AI。

但问题是搜索空间太大，特征横跨许多不同的尺度。

于是，团队基于RetinaNet框架，设计了一个新的搜索空间：

这里，一个FPN是由许多的“合并单元 (Merging Cells) ”组成的。

是要把输入的不同尺度/分辨率的特征层，合并到RetinaNet的表征里去。

具体怎样合并？这是由一个RNN控制器来决定的，经过四个步骤：

一是，从输入里任选一个特征层； 二是，从输入里再选一个特征层； 三是，选择输出的特征分辨率； 四是，选择一种二进制运算，把两个特征层 (用上一步选定的分辨率) 合并起来。

第四步有两种运算可选，一种是加和 (sum) ，一种是全局池化 (Global Pooling) 。两个都是简单、高效的运算，不会附加任何带训练的参数。

一个Cell就这样合并出来了，但这只是中间结果。把它加到刚才的输入列表里，和其他特征层排在一起。

然后，就可以重新选两个特征层，重复上面的步骤一、二、四，保持分辨率不变。

(团队说，如果要避免选到相同分辨率的两个特征层，就不要用步长8。2和4是比较合适的步长。)

就这样，不停地生成新的Cell。

停止搜索的时候，最后生成的5个Cell，会组成“被选中的FPN”出道。

那么问题来了，搜索什么时候能停？

不是非要全部搜索完，随时都可以退出。反正分辨率是不变的，FPN是可以随意扩展的。

团队设定了Early Exit (提前退出) 机制，用来权衡速度和准确率。

最终发布NAS-FPN的，是AI跑了8,000步之后，选取最末5个Cell生成的网络。回顾一下：

△ 看不清请把手机横过来

从原始FPN (下图a) 开始，它走过的路大概是这样的：

跑得越久，生成的网络就越蜿蜒。

模型怎么样？

NAS-FPN可以依托于各种骨架：MobileNet，ResNet，AmoebaNet……

团队选择的是AmoebaNet骨架。

那么，用COCO test-dev数据集，和那些强大的前辈比一比高清大图检测效果。

比赛结果发布：

△ 看不清请把手机横过来

NAS-FPN拿到了48.3的AP分，超过了Mask-RCNN，并且用时更短 (右边第二列是时间) 。

另外一场比赛，是移动检测 (320x320) ，NAS-FPN的轻量版本，跑在MobileNet2骨架上：

超过了厉害的前辈SSD轻量版，虽然，还是没有赶上YOLOv3。

△ YOLOv3过往成果展

不过，打败Mask-RCNN已经是值得庆祝的成就了。

One More Thing

NAS既然如此高能，应该已经搜索过很多东西了吧？

谷歌大脑的另一位成员David Ha列出了7种：

1) 基于CNN的图像分类器，2) RNN，3) 激活函数，4) SGD优化器，5) 数据扩增，6) Transformer，7) 目标检测。

并发射了直击灵魂的提问：下一个被搜的会是什么？

他的同事摘得了最佳答案：NAS啊。

△ NAS

论文传送门： https://arxiv.org/pdf/1904.07392.pdf