《EfficientDet：Scalable and Efficient Object Detection》论文笔记

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$P^{in}=(P_{l1}^{in},P_{l2}^{in},\dots )$，其中$P_{li}^{in}$分别代表在$i$个层次的特征，对应的$stride=2^i$。则经过FPN的输出的可以描述 P o u t = f (