所有备选架构的计算量都几乎相同，因为在这一过程中仅仅轮换了特征模块的顺序。最终学习到的尺度轮换模型在目标检测任务中比ResNet－50－FPN高了2．9％的AP。如果添加搜索选项来适应模块的尺度和种类（包括残差模块或者瓶颈模块）还能够减少10％的浮点运算提升效率。下图显示了标准尺寸和mobile尺寸的SpingNet性能。
研究人员将得到的49层尺度轮换主干架构命名为SpineNet－49，如果利用重复模块叠加和维度拓展可以方便地构建出SpineNet－96／143／190等架构。
下图展示了RestNet－50－FPN和SpineNet－49的对比情况。
ResNet 主干 （左） 和 基于NAS搜索得到的SpineNet 主干 （右） 的比较。
二、性能
通过与ResNet－FPN的比较展示了新架构在性能上的大幅度提升。在使用相同模块的情况下，SpineNet比ResNet－FPN提升了3％的AP，同时还减少了10－20％的浮点计算。值得一提的是最大的SpineNet－190模型在COCO实现了52．1％的AP，在没有使用多尺度测试的情况下单模型结果超过了先前的检测器架构。SpineNet同时在分类任务基准iNaturalist细粒度数据集上取得了5％的top－1精度提升。
SpineNet模型和ResNet－FPN模型在bbox检测上的性能比较。
