EfficientDet的简略解读介绍

1、背景介绍

EfficientDet本文系统地研究了用于目标检测的各种神经网络结构设计选择，并提出了几种提高效率的关键优化方法。首先，提出了一个加权的双向特征金字塔网络（BiFPN），该网络允许简单快速的多尺度特征融合；其次，还提出了一种复合尺度扩张方法，该方法可以统一地对所有主干网、特征网络和预测网络的分辨率、深度和宽度进行缩放。 基于这些优化，开发了一个新的对象检测器家族，称为EfficientDet。EfficientDet就是在EfficientNet的骨干网络基础上，添加了一种简单而高效的加权（类似与attention）双向特征金字塔网络（BiFPN），达到了很好的效果。

2、文章脉络

我们先回顾一下上周所讨论的EfficientNet，EfficientNet模型具有很独特的特点，如下：
• 利用倒残差神经网络增大神经网络的深度，通过更深的神经网络实现特征提取；
• 改变每一层提取的特征层数，实现更多层的特征提取，得到更多的特征，提升宽度；
• 通过增大输入图片的分辨率也可以使得网络可以学习与表达的东西更加丰富，有利于提高精确度。
下面我们来一起学习它的进阶版——EfficientDet！

2.1 Introduction

EfficientDet开篇就介绍了两大挑战&#x