DIPO:寻找外科神经架构的可差异化的并行操作块

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 为特定的计算机视觉任务设计神经网络架构是耗时的.
• 神经架构搜索 (NAS) 旨在自动化这一过程.
• 现有的NAS方法往往在各种任务中缺乏灵活性,例如分类,检测和细分.

研究的目的:

• 引入一种新的,高效的NAS方法,称为可差分并行操作 (DIPO).
• 为了使NAS能够灵活地应用于各种卷积网络架构和计算机视觉任务.
• 为特定任务和数据集自动优化神经网络架构.

主要方法:

• 开发了可差分并行操作 (DIPO) 块,在卷积网络中创建了本地搜索空间.
• 在现有架构中,注入的DIPO块取代了现有的标准卷曲.
• 为每个特定任务优化DIPO块架构和端到端的参数.

主要成果:

• 应用DIPO到U-Net,HRNET,KAPAO和YOLOX架构,跨手术场景细分,仪器检测和构成估计任务.
• 在多个数据集上实现了显著的性能改进.
• 在手术场景细分 (+10.5%至 +13.2%),仪器检测 (+1.5%至 +5.3%) 和仪器摆设估计 (+9.8%) 中取得了显著的收益.

结论:

• DIPO为神经架构搜索提供了一种灵活和高效的方法.
• 该方法成功地提高了各种计算机视觉任务的性能,特别是在外科应用中.
• DIPO的适应性使其适合集成到各种现有网络设计中.