图像分割，和图像分类、图像检测可以称为是深度学习视觉领域的三个基础研究课题，图像分割的经典深度学习算法有FCN、Mask R-CNN、DeepLab等。2019年，谷歌和斯坦福大学合作，推出了Auto-DeepLab，将NAS用于图像分割的领域里，改进DeepLab的算法。
Auto-DeepLab的论文全名是Auto-DeepLab: Hierachical Neural Architecture Search for Semantic Image Segmention。在设计上，借鉴了
DARTS
论文的方法，可以看做事DARTS架构参数的一个延伸。DARTS是将Cell架构参数化，Auto-DeepLab不仅参数化Cell，也把所有的分辨率变化可能路径参数化。
图1. Auto-DeepLab网络分辨率变化路径
与图像分类和物体检测不同，图像分割是像素级别的操作，最后的输出结果是一个多通道的图像大小的feature map，所以不会一直在降分辨率。在图像分割中，下一层的网络既有可能降分辨率也有可能升分辨率。图1是分辨率的路径变化图，横坐标代表的是网络层（Cell）的序号，纵坐标表示的是分辨率的缩放倍数。箭头的方向表示特征图的传播路径。除了最上层和最下层之外，每个节点在进入下一个网络层时都有三种分辨率选择：放大两倍、保持不变和缩小两倍。
Auto-DeepLab将Cell和Network均参数化。其中，Cell结构参数表示为：
Network架构参数表示为：
Network架构参数需要满足的条件是：
β
中找到最优路径。论文在P100的GPU上训练搜索了3天，最后得到的网络架构如下图所示。
图2. Auto-DeepLab搜索到的网络架构
论文以Cityscapes为实验数据集，下面两个表格是训练的结果。在single-scale输入上，Auto-DeepLab比手工设计的网络分割精度更高，同时具有更少的网络参数。在multi-scale输入和没有预训练的条件下，也达到了state-of-the-art的效果。
图3. Cityscapes（single-scale输入）的实验性能对比
图4. Cityscapes（multi-scale）的实验性能对比
图像分割，和图像分类、图像检测可以称为是深度学习视觉领域的三个基础研究课题，图像分割的经典深度学习算法有FCN、Mask R-CNN、DeepLab等。2019年，谷歌和斯坦福大学合作，推出了Auto-DeepLab，将NAS用于图像分割的领域里，改进DeepLab的算法。Auto-DeepLab的论文全名是Auto-DeepLab: Hierachical Neural Architecture Search for Semantic Image Segmention。在设计上，借鉴了DARTS论文的方
Title：
Auto
-
Deep
Lab
:Hierarchical Neural Architecture Search for Semantic Image Segmentation
From：CVPR2019
Note data：2019/06/18
Abstract：提出一种NAS方法应用于图像语义分割，并取得了SOTA的效果。
Code ：pytorch
传送门：NAS综述
论文
地址：https://arxiv.org/pdf/1901.02985v1.pdf
参考文章：https://mp.weixin.qq.com/s/xbkFUfJbaw_h_bCZj3pdAQ
斯坦福大学李飞飞组的研究者提出了
Auto
-
Deep
Lab
，其在图像语义分割问题上超越了很多业内最佳模型，甚至可以在未经过预训练的情况下达到预训练模型的表现。
论文
主要有如下4个方面的贡献：
本文研究了用于语义图像分割的NAS，现有的工作往往集中在搜索可重复的细胞结构，同时手工设计控制空间分辨率变化的外部网络结构。这种选择简化了搜索空间，但对于显示出更多网络级体系结构变化的密集图像预测来说，这种选择变得越来越有问题。因此，我们建议在小区级结构之外搜索网络级结构，这形成了一个分层体系结构搜索空间。
我们提出了一个包括许多流行设计的网络级搜索空间，并开发了一个允许高效基于梯度的架构搜索的公式（在Cityscapes图像上3P100 GPU天）。
我们证明了所提出的方法在具有挑战的城市景观、PAS
【CVPR2019】
Auto
-
deep
lab
AuthorsIntroductionRelated WorkCell Search
Auto
-
Deep
Lab
: Hierarchical Neural Architecture Search fo...
Auto
-py-to-exe是一款基于Python程序开发的工具，可以将Python脚本转换成可执行文件，使得Python程序更加易于使用和分发。在使用
Auto
-py-to-exe时，用户只需要上传Python脚本，选择需要的打包方式和需要的Python路径，即可将脚本转换成可执行文件。
对于初学Python的用户来说，
Auto
-py-to-exe是非常实用的工具。它能够将Python脚本一次性打包成可执行文件，这样用户就不用再为配置Python环境和安装相关依赖库等问题而烦恼了。
Auto
-py-to-exe的使用方法也非常简单，只要按照提示上传Python脚本并选择需要的打包方式即可。同时，
Auto
-py-to-exe对于各种常用操作系统也都有压缩包可供使用，用户只需下载对应压缩包并解压即可使用。
总的来说，
Auto
-py-to-exe是一款非常实用的Python转换工具，既方便了Python程序的使用和分发，也提供了对Python初学者的友好支持，让Python开发更加简单易用。
