Fugu-MT 論文翻訳(概要): SSS3D: Fast Neural Architecture Search For Efficient Three-Dimensional Semantic Segmentation

論文の概要: SSS3D: Fast Neural Architecture Search For Efficient Three-Dimensional Semantic Segmentation

arxiv url: http://arxiv.org/abs/2304.11207v1
Date: Fri, 21 Apr 2023 18:29:34 GMT
ステータス: 処理完了
システム内更新日: 2023-04-25 19:54:02.079665
Title: SSS3D: Fast Neural Architecture Search For Efficient Three-Dimensional Semantic Segmentation
Title（参考訳）: SSS3D: 効率的な3次元セマンティックセグメンテーションのための高速ニューラルネットワーク探索
Authors: Olivier Therrien, Marihan Amein, Zhuoran Xiong, Warren J. Gross, Brett H. Meyer
Abstract要約: SSS3Dは計算効率の良い3Dセマンティックセグメンテーションネットワークを見つけるために設計された高速多目的NASフレームワークである。市販のポイントベースネットワークであるRandLA-Netをスーパーネットワークとして使用し、ウェイトシェアリングと検索時間の99.67%削減を実現している。
参考スコア（独自算出の注目度）: 11.24858344452666
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present SSS3D, a fast multi-objective NAS framework designed to find computationally efficient 3D semantic scene segmentation networks. It uses RandLA-Net, an off-the-shelf point-based network, as a super-network to enable weight sharing and reduce search time by 99.67% for single-stage searches. SSS3D has a complex search space composed of sampling and architectural parameters that can form 2.88 * 10^17 possible networks. To further reduce search time, SSS3D splits the complete search space and introduces a two-stage search that finds optimal subnetworks in 54% of the time required by single-stage searches.
Abstract（参考訳）: 計算効率のよい3Dセマンティックシーンセグメンテーションネットワークを実現するために設計された高速多目的NASフレームワークであるSSS3Dを提案する。市販のポイントベースネットワークであるRandLA-Netをスーパーネットワークとして使用し、ウェイトシェアリングと検索時間の99.67%削減を実現している。 SSS3Dはサンプリングとアーキテクチャパラメータからなる複雑な検索空間を持ち、2.88 * 10^17の可能なネットワークを形成することができる。さらに検索時間を短縮するため、sss3dは全検索空間を分割し、1段階検索に必要な54%の時間で最適なサブネットワークを見つける2段階検索を導入する。

関連論文リスト

Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-27T03:49:04Z)
DASS: Differentiable Architecture Search for Sparse neural networks [0.5735035463793009]
識別可能なアーキテクチャ探索手法により高密度ネットワーク用に設計されたアーキテクチャは,プルーニング機構を適用した場合,有効ではないことがわかった。本稿では,スパシティフレンドリなニューラルアーキテクチャを探索する新しい手法を提案する。検索空間に2つの新しいスパース操作を追加し、探索目的を変更することでこれを行う。
論文参考訳（メタデータ） (2022-07-14T14:53:50Z)
HyperSegNAS: Bridging One-Shot Neural Architecture Search with 3D Medical Image Segmentation using HyperNet [51.60655410423093]
医用画像セグメンテーションのためのワンショットニューラルアーキテクチャサーチ(NAS)を実現するためにHyperSegNASを導入する。従来のSOTA(State-of-the-art)セグメンテーションネットワークと比較して,HyperSegNASの方がパフォーマンスが高く,直感的なアーキテクチャが得られることを示す。本手法は,MSD (Messical Decathlon) 課題の公開データセットを用いて評価し,SOTAの性能評価を行う。
論文参考訳（メタデータ） (2021-12-20T16:21:09Z)
Coarse-to-Fine Searching for Efficient Generative Adversarial Networks [43.21560798088658]
GAN(Generative Adversarial Network)は通常、様々な複雑な画像生成を行うように設計されている。まず,経路,演算子,チャネルなど3次元のジェネレータネットワークの無傷検索空間を探索し,ネットワーク性能の完全な探索を行う。探索コストを大幅に削減するため,探索プロセス全体を3つのサブ最適化問題に分割する粗大な探索戦略を探索する。
論文参考訳（メタデータ） (2021-04-19T11:46:20Z)
Combined Depth Space based Architecture Search For Person Re-identification [70.86236888223569]
個人再識別(ReID)のための軽量で適切なネットワークの設計を目指しています。本研究では,CDNetと呼ばれる効率的なネットワークアーキテクチャの探索に基づく,複合深さ空間(Componed Depth Space, CDS)と呼ばれる新しい検索空間を提案する。そこで我々はTop-k Sample Search戦略という低コストの検索戦略を提案し、検索空間をフル活用し、局所的な最適結果のトラップを避ける。
論文参考訳（メタデータ） (2021-04-09T02:40:01Z)
DiNTS: Differentiable Neural Network Topology Search for 3D Medical Image Segmentation [7.003867673687463]
ディグライザブルネットワークトポロジ検索スキーム(DiNTS)は,MSD(Medicical Decathlon)の課題に対して評価される。本手法は,MSDチャレンジリーダーボードの最先端性能と上位ランキングを達成する。
論文参考訳（メタデータ） (2021-03-29T21:02:42Z)
Trilevel Neural Architecture Search for Efficient Single Image Super-Resolution [127.92235484598811]
本稿では,高効率単一画像超解像(SR)のための3レベルニューラルネットワーク探索法を提案する。離散探索空間をモデル化するために、離散探索空間に新たな連続緩和を適用し、ネットワークパス、セル操作、カーネル幅の階層的混合を構築する。階層型スーパーネット方式による最適化を行うため,効率的な探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-01-17T12:19:49Z)
ISTA-NAS: Efficient and Consistent Neural Architecture Search by Sparse Coding [86.40042104698792]
スパース符号問題としてニューラルアーキテクチャ探索を定式化する。実験では、CIFAR-10の2段階法では、検索にわずか0.05GPUしか必要としない。本手法は,CIFAR-10とImageNetの両方において,評価時間のみのコストで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-10-13T04:34:24Z)
Fine-Grained Stochastic Architecture Search [6.277767522867666]
Fine-Grained Architecture Search (FiGS) は、より大きな候補アーキテクチャの集合を探索する微分可能な検索手法である。 FiGSは、構造化スパース正規化ペナルティを適用して、検索空間内の演算子を同時に選択・変更する。既存の3つの検索空間にまたがって結果を示し、元の検索アルゴリズムのマッチングや性能を向上する。
論文参考訳（メタデータ） (2020-06-17T01:04:14Z)
Real-Time Semantic Segmentation via Auto Depth, Downsampling Joint Decision and Feature Aggregation [54.28963233377946]
本稿では,セグメンテーション戦略の自動化を目的として,AutoRTNetという共同検索フレームワークを提案する。具体的には,ネットワーク深度とダウンサンプリング戦略を協調的に決定するハイパーセルと,自動マルチスケール機能アグリゲーションを実現するアグリゲーションセルを提案する。
論文参考訳（メタデータ） (2020-03-31T14:02:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。