A Multi-objective Optimization Benchmark Test Suite for Real-time Semantic Segmentation

硬件感知神经网络架构搜索（HW-NAS）任务是自动化机器学习中的新兴挑战之一，可以被视为黑盒多目标优化问题（MOPs）。 HW-NAS的一个重要应用是实时语义分割，在自动驾驶场景中发挥关键作用。实时语义分割的HW-NAS本质上需要平衡多个优化目标，包括模型准确性，推理速度和硬件特定考虑因素。尽管其重要性，但尚未开发基准来将这样一个具有挑战性的任务作为多目标优化的框架。为了弥合这一差距，我们引入了一个定制流程，将实时语义分割的HW-NAS任务转化为标准MOPs。在此基础上，我们提出了一个基准测试套件CitySeg/MOP，其中包括从Cityscapes数据集派生的15个MOPs。 CitySeg/MOP测试套件已集成到EvoXBench平台中，为各种编程语言（例如Python和MATLAB）提供无缝接口，以进行即时适应度评估。我们全面评估了CitySeg/MOP测试套件在各种多目标进化算法上的表现，展示了其多功能性和实用性。源代码可在https://github.com/EMI-Group/evoxbench上获得。

硬件感知神经架构搜索（HW-NAS）是一个新兴的挑战，需要解决实时语义分割的问题。该问题需要平衡多个优化目标，包括模型准确性、推理速度和硬件特定考虑因素。然而，缺乏基准测试套件来解决这个多目标优化问题。

论文提出了一种流程，将HW-NAS转化为标准的多目标优化问题，并创建了一个基准测试套件CitySeg/MOP，其中包括从Cityscapes数据集中派生的15个MOP。该测试套件已经集成到EvoXBench平台上，提供了与各种编程语言（例如Python和MATLAB）的无缝接口，用于即时适应度评估。

论文通过对各种多目标进化算法进行全面评估，展示了CitySeg/MOP测试套件的多功能性和实用性。研究者们还开源了代码，该代码可以在GitHub上获得。

最近的相关研究包括：Real-time Joint Semantic Segmentation and Depth Estimation Using Asymmetric Annotations和Efficient Multi-objective Neural Architecture Search with Network Morphism。