摘要

我们提出FasterSeg，一种通过自动设计实现的语义分割网络，不仅在性能上达到当前最优水平，同时在推理速度上也优于现有方法。FasterSeg基于神经架构搜索（NAS）技术，在一个新颖且更广阔的搜索空间中被发现，该空间融合了多分辨率分支结构——这一设计要素在人工设计的分割模型中已被证实至关重要。为更有效地平衡高精度与低延迟之间的权衡，我们提出了一种解耦且细粒度的延迟正则化方法，有效克服了在搜索过程中观察到的“坍缩”现象：即所搜索出的网络容易退化为低延迟但精度较差的模型。此外，我们无缝地将FasterSeg扩展至一种新型协同搜索（co-searching）框架，可在单次运行中同时搜索一个教师网络与一个学生网络。通过教师-学生知识蒸馏机制，进一步提升了学生模型的精度。在多个主流语义分割基准上的实验结果充分验证了FasterSeg的卓越性能。例如，在Cityscapes数据集上，FasterSeg的运行速度比最接近的人工设计竞争对手快超过30%，同时保持了相当的精度水平。