Abstract
模型效率在计算机视觉中变得越来越重要。
这篇文章系统地研究了用于目标检测的中性网络架构设计选择,并提出了几个提高效率的关键优化方法。
首先,作者提出了一种加权双向特征金字塔网络(BiFPN),它允许轻松快速地进行多尺度特征融合。
其次,作者提出了一种复合缩放方法,该方法可以同时统一缩放所有主干、特征网络和 box/class 预测网络的分辨率、深度和宽度。
基于这些优化和更好的主干,作者开发了一个新的目标检测器系列,称为EfficientDet,在广泛的资源限制下,它始终比现有技术效率高。
特别是,通过单模型和单尺度,EfficientDet-D7 在 COCO test-dev 上实现了最先进的55.1 AP,具有 77M parameters和 410B FLOPs,比以前的检测器小4倍-9倍,使用比以前的检测器少13倍至42倍的FLOPs。
BiFPN
在本节中,作者首先提出了多尺度特征融合问题,然后介绍了作者提出的 BiFPN 的主要思想:高效的双向跨尺度连接和加权特征融合。
Problem Formulation
Conclusion
这篇文章中,作者系统地研究了网络架构设计选择,以实现高效的目标检测,并提出了加权双向特征网络和定制化复合缩放方法,以提高准确率和效率。
基于这些优化,作者开发了一个新的检测器系列,名为EfficientDet,在广泛的资源限制中,它始终比现有技术实现更高的准确性和效率。
特别是,缩放的EfficientDet以比之前的目标检测和语义分割模型少得多的参数和 FLOPs 实现了最先进的准确性。
-
Previous
【Research & Writing】Matlab 使用方法记录 -
Next
【深度学习】PANet:Path Aggregation Network for Instance Segmentation