EfficientDet 算法解读 EfficientDet: Scalable and Efficient Object Detection

最新推荐文章于 2023-06-28 10:53:31 发布

dwilimeth

最新推荐文章于 2023-06-28 10:53:31 发布

阅读量5.6k

点赞数 8

分类专栏： AutoML 文章标签：深度学习目标检测神经网络计算机视觉

本文链接：https://blog.csdn.net/dwilimeth/article/details/103206530

版权

EfficientDet是Google Brain团队提出的用于对象检测的高效算法，它在保持精度的同时提高了速度。该算法基于EfficientNet的扩展，通过BiFPN（双向特征金字塔网络）和Compound Scaling技术实现性能和效率的平衡。BiFPN通过优化PANet的结构，减少了计算量并提升了4个点的性能。Compound Scaling则提供了模型规模调整的策略，包括网络宽度、深度和分辨率。实验结果显示，EfficientDet在COCO 2017验证集上达到51.0的mAP，性能优于其他方法。

摘要由CSDN通过智能技术生成

EfficientDet: Scalable and Efficient Object Detection

Google Brain 团队的三位 Auto ML 大佬 Mingxing Tan, Ruoming Pang, Quoc V. Le 最近在 Arxiv 上发表一篇文章 EfficientDet: Scalable and Efficient Object Detection，猜测是投到 CVPR 2020。

这篇工作可以看做是中了 ICML 2019 Oral 的 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 扩展，从分类任务扩展到检测任务（Object Detection）。

众所周知，神经网络的速度和精度之间存在权衡，而 EfficientDet 是一个总称，可以分为 EfficientDet D1 ~ EfficientDet D7，速度逐渐变慢，但是精度也逐渐提高。

从下图中可以看出，EfficientDet-D7 的性能非常的惊人：在 326B FLOPS，参数量 52 M的情况下，COCO 2017 validation 数据集上取得了 51.0 的 mAP，state-of-the-art 的结果。和 AmoebaNet + NAS-FPN 相比，FLOPS 仅为其十分之一的情况下取得了更好的结果。

这篇文章的主要贡献点是 BiFPN，Compound Scaling 两部分，会在下面一一介绍。

BiFPN

CVPR 2017 的 FPN 指出了不同层之间特征融合的重要性，并且以一种比较简单，Heuristic 的方法把底层的特征乘两倍和浅层相加来融合。之后人们也试了各种别的融合方法，比如 PANet 先从底向上连，再自顶向下连回去；M2Det 在连的时候加入 skip-connection； Libra-RCNN 先把所有feat