代码地址:EfficientDet.Pytorch
1. 概述
导读:这篇文章的总体思想上借鉴了EfficientNet的设计思路:使用缩放的思想按照需求的网络性能缩放网络大小,在性能与网络大小上获取权衡,可以看作是EfficientNet在检测领域的延伸。针对与检测领域这篇文章提出了两个改进的地方:
1)提出了BiFPN的特征融合结构,使用加权特征融合(特征的权值是可以学习的)的方式替换了原有FPN同等权值融合的方式,并且借鉴了ResNet中跳跃连接与多次多方向连接,极大增强特征的表达能力;
2)统一化的方式缩放网络中的分辨率、网络深度宽度方式获取不同的性能表现。
从文章的结果来说在性能与网络大小上获得了不错的效果,达到了sota。
文章的网络结构与其它典型检测网络的性能对比:
2. 方法设计
2.1 网络结构
2.2 BIFPN
在BiFPN结构中的两个要点是:高效多方向的跨尺度连接与加权特征融合方式,下面的内容也是按照这样的思路来进行分解的。
2.2.1 FPN特征融合问题描述
在于FPN特征融合的问题中使用 P i n = ( P l 1 i n , P l 2 i n , … ) P^{in}=(P_{l1}^{in},P_{l2}^{in},\dots) Pin=(Pl1in,Pl2in,…),其中 P l i i n P_{li}^{in} Pliin分别代表在 i i i个层次的特征,对应的 s t r i d e = 2 i stride=2^i stride=2i。则经过FPN的输出的可以描述 P o u t = f (