論文題目:Resource Optimized Neural Architecture Search for 3D Medical Image Segmentation
基於強化學習參數共享實現搜索
將重點放在宏觀搜索的最優搜索空間上,而不是微觀搜索
關鍵詞 3D醫學分割
,nas
1.39 days for 1GB dataset
one RTX 2080Ti with 10.8GB
-
通過在搜索過程中不斷訓練子網絡而不重新初始化子網絡的權值,避免了在找到最優結構後對網絡進行重新訓練。
-
通過使用基於加法的skip連接和用depth-wise卷積代替普通卷積,有效地利用了GPU內存。
Search Space
-
搜索操作見上圖右邊
-
本文搜索空間 與其他搜索nas有如下不同:
1、將輸入patch的大小和下采樣操作的數量 考慮進搜索空間
2、將pooling數量和 空洞率 考慮進搜索空間
3、關注宏觀搜索
4、加skip點(這裏的解釋是通過加入skip,以最大限度地提高網絡間skip連接的效果) -
1x1卷積後接skip操作參數量大,在宏觀搜索中替換爲基於對應元素相加的skip
-
加入三個激活操作和兩個pooling操作,沒有參數,不佔內存,但是決定性能
-
加入zero 操作,爲了防止過擬合
-
input patch size
The Proposed Base Architecture
- 使用unet作爲基本搜索空間
Training the Controller’s Parameters
- ENAS提出的參數共享的增強學習來訓練controller
- 假設順序操作的組合構成了最優的結構。因此,我們通過向LSTM輸入添加惟一的值來區分不同的操作。認爲可微的方法記錄所有的操作,佔GPU
- 每個episode 控制器創建20個子網絡,並觀察每個網絡的驗證集分數,作爲獎勵來訓練控制器。 dice loss