这篇文章提出一种基于最大熵原理的目标检测搜索方法：MAE-Det。该方法通过计算最大特征的最大熵来代表网络的表达能力，代替训练网络来评估模型的最后性能，同时我们设计了多级维度的最大熵来适配检测任务的不同尺度下的表达能力。Training-free 的策略将我们的搜索成本降低接近零，在相同的 FLOPs 预算下，MAE-Det 可以为目标检测设计更好的特征提取器。
论文链接：
代码链接：
在仅仅一天的 GPU 全自动设计，MAE-DET 在多个检测基准数据集上刷新了检测主干网络的 SOTA 性能。与 ResNet-50 主干相比，在使用相同数量的 FLOP 和参数下，MAE-DET 在 mAP 中的性能提高了 +2.0%；在相同的 mAP 下，在 NVIDIA V100 上的推理速度提升 1.54 倍。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢