�ݺ�ߣ

Learning Transferable Architectures
for Scalable Image Recognition
Barret Zoph, Vijay Vasudevanm Jonathon Shlens, Quoc V. Le
Google Brain

목차
• Introduction
• Contribution
• Method
• Result

Introduction
• Neural Architecture Search with Reinforcement Learning(NAS) 후속 논문
• NAS : CNN(CIFAR-10), RNN(Penn Treebank) 구조 설계
• CIFAR-10 이라는 작은 데이터셋 학습에 800 GPU, 28days 소요  큰 데이터셋은??
• Learning Transferable Architectures for Scalable Image Recognition (2018, CVPR)
• CNN에 초점을 맞추어 이식 가능하고 더 효율적인 architecture를 제안(NASNet)
• CIFAR-10으로 찾은 Convolution Cell을 이용하여 ImageNet에 적용  SOTA 성능 달성!
• NAS 대비 학습에 소요되는 시간 단축 (500GPU, 4days 소요, x7 speed up)
* NAS : Nvidia K40 GPU / NASNet : Nvidia P100s GPU

Contribution(1)
• 효율적인 Search Space
• 네트워크 전체를 한번에 설계(NAS)  Normal Cell, Reduction Cell 2개의 Convolution Cell을 통한 설계
• Block  Cell  Architecture
Block

Contribution(2)
• Transferability & Good Performance
• CIFAR-10으로 찾은 Convolution Cell을 이용하여 더 큰 Dataset에 적용 가능
• CIFAR-10, ImageNet 기준 SOTA 성능 달성
• Object Detection에 NASNet 구조를 적용하였을 때 높은 성능

Method(1)
• Overall architectures of the convolutional nets are manually
predetermined
• Normal Cell - convolutional cells that return a feature map of the same
dimension
• Reduction Cell - convolutional cells that return a feature map where the
feature map height and width is reduced by a factor of two (Initial
operation with stride of two conv)
• Using common heuristic to double the number of filters in the
output whenever the spatial activation size is reduced
• N, 첫 convolution cell의 filter 개수는 User가 지정해주어야 하는 변수

Method(2)
• Overall architecture 구성
• Controller(LSTM)를 이용하여 Normal Cell, Reduction Cell을 표현
• 1 Block = hidden state input 2개 + operation 2개 + combine(add or concat) 1개 총 5개의 문자열
• 1개의 Cell 당 B개의 Block으로 구성 (논문에서는 B=5일 때 성능 우수)
• Normal Cell을 나타내는 predictions 5B개 + Reduction Cell을 나타내는 predictions 5B개
Block

Method(2)
• Overall architecture 구성 (Cont.)
• Controller(LSTM)를 이용하여 Normal Cell, Reduction Cell을 표현
• 1 Block = hidden state input 2개 + operation 2개 + combine(add or concat) 1개 총 5개의 문자열
• Operation 종류는 잘 알려진 방법론 중 13개
• stride = 1 (Normal Cell) / stride = 1 or 2 (Reduction Cell)

Method(2) - Supplement
• Overall architecture 구성(Cont.)
• stride = 1 or 2 (Reduction Cell)
(출처 : https://github.com/titu1994/Keras-NASNet/blob/master/nasnet.py)

Method(2) – NASNet-A
· · ·
<Normal Cell>
· · ·
<Reduction Cell>
B개
B개

Training with RL
• Controller(LSTM)를 이용하여 예측한 Cell을 통해 Architecture 생성
• 강화학습 알고리즘으로 REINFORCE 대신 Proximal Policy Optimization(PPO) 사용
• PPO : 2017, OpenAI
• 전체적인 학습 방법은 NAS와 거의 유사
• State : controller의 hidden state
• Action : controller가 생성한 predictions
• Reward : Overall architecture의 accuracy

Result(CIFAR-10)
• 기존의 SOTA로 알려진 network에 비해
우수한 성능!
• NAS의 CNN architecture보다 우수한
성능
• 표의 결과는 5번 수행하여 평균 낸 결과
• Best performance : 2.19%
• 괄호 안의 숫자
• (N @ # of Filters in 1st Conv Cell)

Result(ImageNet)
• 현존하는 사람이 design한 model의 최고 성능(SENet)과 동일한 성능 달성
• 성능도 높지만 FLOP가 기존 model들에 비해 적음

Result(ImageNet)
• 제한된 컴퓨팅 파워 환경(ex, Embedded board, Mobile device)
타겟 모델들 대비 높은 성능
• N과 1st conv cell의 filter 개수를 조절하여도 좋은 성능 보장

Result(COCO_detection)
• ImageNet pretrained NASNet-A을 Faster-RCNN 구조에 적용
• 마찬가지로 기존의 SOTA 망들에 비해 좋은 성능!
• Faster-RCNN 구조에 CNN network만 수정한 결과  YOLO, RetinaNet에 비해서는 낮은 성능
• Classification target이지만 조만간 Detection, Segmentation에서도 좋은 성능 기대?!

Result(Random Search와 비교)
• 강화학습을 적용하였을 때와, Random Search를 하였을 때의 성능 차이 비교
• RL을 사용하였을 때가 RS를 사용하였을 때 보다
• NAS의 RL vs RS 그래프 대비 격차가 줄어듦  제안한 Search space가 효율적임을 증명

Discussion
• CNN, Classification 타겟으로 좋은 성능과 확장성을 보여준 연구
• 이미지의 size가 큰 경우에도 좋은 성능 기대
• 제조업 데이터에서도 좋은 분류 성능이 나올 것으로 생각!
• 여전히 긴 학습 시간(500GPU, 4days)  ENAS!
• Detection, Segmentation에서는 아직 괄목할 만한 연구는 나오지 않음
• Classification을 정복하였으니 조만간 나올 것으로 기대

�ݺ�ߣ

"Learning transferable architectures for scalable image recognition" Paper Review

Recommended

More Related Content

What's hot (20)

Similar to "Learning transferable architectures for scalable image recognition" Paper Review (20)

More from LEE HOSEONG (14)

"Learning transferable architectures for scalable image recognition" Paper Review