超越EfficientNet：metaKernel；实例分割新网络：SOLO

编辑：Amusi

前言

近期值得关注的论文很多，可以看作顶会“种子”paper。这里为了节省篇幅，放大重点，Amusi做了论文精选。本文要速递介绍的这两篇论文，我觉得都是相当具有影响力的paper。

• metaKernel
• SOLO

metaKernel

《Efficient Differentiable Neural Architecture Search with Meta Kernels》

论文：https://arxiv.org/abs/1912.04749

作者团队：华科&依图&新加坡国立大学

时间：2019年12月11日

注：在ImageNet上77.0% Top-1 acc，仅357M FLOP，性能优于EfficientNet、MobileNetV3和MixNet等网络

Abstract：神经网络架构搜索（NAS）的搜索过程非常耗时。在这项工作中，我们提出了一种具有 meta kernels 的高效新颖的搜索策略。我们通过进行大量的实验来证明我们的搜索策略的有效性。具体而言，我们的方法仅用 357M FLOPs即可在ImageNet基准数据集上达到77.0％的top-1准确性，在相同的FLOP约束下均优于EfficientNet和MobileNetV3。与通过最先进的NAS方法发现的模型相比，我们的方法具有相同（有时甚至更好）的性能，但速度却快了三个数量级。

实验结果

SOLO

《SOLO: Segmenting Objects by Locations》

论文：https://arxiv.org/abs/1912.04488

作者团队：阿德莱德大学(沈春华团队)&字节跳动

时间：2019年12月11日

注：SOLO简单且高效的实例分割新网络，在COCO test-dev上，高达40.4 mAP！

SOLO网络

Abstract：我们提出了一种新的简单方法来对图像中的实例进行分割。与许多其他密集的预测任务（例如语义分割）相比，任意数量的实例使实例分割更具挑战性。为了预测每个实例的 Mask，主流方法要么遵循“Mask R-CNN”所使用的“检测后分割（detect-then-segment）”策略，要么先预测类别 masks，然后使用聚类方法将像素分组为单个实例。我们通过引入“实例类别（instance categories）”的概念以全新的视角解决实例分割的任务，根据实例的位置和大小为实例中的每个像素分配类别，从而将实例 mask 分割很好地转换为可分类的类别问题。现在，实例分割被分解为两个分类任务。我们展示了一个简单且灵活的实例分割框架，具有强大的性能，可达到Mask R-CNN同等的准确性，并且在准确性方面优于最近的singleshot实例分割算法。我们希望这个非常简单而强大的框架可以作为实例分割以外的许多实例级识别任务的基准。

SOLO Head

实验结果

如果各位CVer喜欢这样的"精选论文速递"系列，请给这篇文章点个"在看"