摘要

神经架构搜索（Neural Architecture Search, NAS）在自动设计适用于密集图像预测的可扩展网络架构方面展现出巨大潜力。然而，现有的NAS算法通常受限于狭窄的搜索空间，并依赖代理任务进行搜索，以满足实际计算资源的约束。为尽可能扩大网络架构的搜索范围，并避免目标数据集与代理数据集之间的差距，本文提出一种密集连接的神经架构搜索框架（Densely Connected NAS, DCNAS），该框架直接在大规模目标数据集上搜索多尺度视觉信息表示的最优网络结构。具体而言，通过引入可学习权重连接各个网络单元（cell），我们构建了一个密集连接的搜索空间，能够覆盖大量主流网络设计模式。此外，结合路径级与通道级的采样策略，我们设计了一种融合模块，有效降低了庞大搜索空间带来的内存消耗。实验结果表明，由DCNAS算法获得的网络架构在多个公开的语义图像分割基准测试中均取得了当前最优性能，包括在Cityscapes数据集上达到84.3%的mIoU，在PASCAL VOC 2012数据集上达到86.9%的mIoU。同时，在更具挑战性的ADE20K和Pascal Context数据集上，该架构也保持了领先水平，充分验证了其泛化能力与有效性。