抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
よりコンパクトなネットワーク幅の探索は,ハードウェア制約の下で畳み込みニューラルネットワーク(CNN)の配置のためのチャネル剪定の効果的方法として最近役立っている。検索を実現するために,ワンショットスーパーネットは,通常,性能wrtの異なるネットワーク幅を効率的に評価するために活用される。しかしながら,現在の方法は,主に,スーパーネットにおけるチャネルの訓練不公平性を誘発する,各幅の評価に対して,片側拡張(UA)原理に従う。本論文では,この問題に対処するために,両側結合ネットワーク(BCNet)と呼ばれる新しいスーパーネットを導入した。BCNetでは,各チャネルはかなり訓練され,同じ量のネットワーク幅に責任があり,従って各ネットワーク幅をより正確に評価できる。さらに,冗長探索空間を減らし,チャネル上の厳密な訓練公平性を確保するために,強化スーパーネットとしてBCNetV2を提案した。さらに,著者らは,BCNetを訓練するための確率的補足戦略を利用し,進化探索の性能を高めるための事前初期母集団サンプリング法を提案した。また,幅探索アルゴリズムのより良い比較のために,チャネル-ベンチマーク-Macroと呼ぶマクロ構造に関する最初のオープンソース幅ベンチマークを提案した。ベンチマークCIFAR-10とImageNetデータセットに関する大規模な実験は,著者らの方法が他のベースライン方法に関して最先端のまたは競合する性能を達成できることを示した。さらに,著者らの方法は,それらのネットワーク幅を精製することによって,NASモデルの性能をさらに向上させる。例えば,同じFLOP収支で,得られた効率的Net-B0は,画像Netデータセット上で77.53%Top-1精度を達成し,元の設定の性能を0.65%凌駕した。【JST・京大機械翻訳】