EfficientDet

最新推荐文章于 2022-12-17 16:54:55 发布
最新推荐文章于 2022-12-17 16:54:55 发布
阅读量165 收藏
点赞数
分类专栏： paper 文章标签： 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013231020/article/details/113141811
版权

目录

网络结构

一、Abstract

三、BiFPN （bidirectional feature pyramid network）

1.结构

Cross-Scale Connections

Weighted Feature Fusion

Fast normalized fusion

四、Compound Scaling

BiFPN network

Box/class prediction network

Input image resolution

总结

网络结构

一、Abstract

  • 提出了一种加权双向特征金字塔网络（BiFPN）==》挑战1
  • 提出了一种复合缩放方法（compound scaling），同时均匀地缩放所有主干网/特征网络/和box/class预测网络的分辨率/深度和宽度==》挑战2

二、Introduction

指出巨大的模型尺寸和昂贵的计算成本阻碍了他们在现实世界应用程序中的部署。像自动驾驶，模型大小和延迟受到高度限制。

两大挑战：

挑战1：高效多尺度特征融合（efficiency multi-scale-feature fusion）

挑战2：模型缩放（model scaling）

三、BiFPN （bidirectional feature pyramid network）

 

1.结构

Cross-Scale Connections

首先，删边；

其次，加边；

第三，重复多次。

Weighted Feature Fusion

Fast normalized fusion

四、Compound Scaling

BiFPN network

Box/class prediction network

宽度固定为与BiFPN，深度线性增加。如下

Input image resolution

总结

efficientnet+BiFPN+compound scaling

免贵姓菜
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
EfficientDet-master.zip
04-13
EfficientDet项目代码，包含efficientdet预训练模型、训练好的模型。包含efficientnet-b0_weights_tf_dim_ordering_tf_kernels_autoaugment_notop.h5、efficientdet-d0.h5等，可训练、可测试。
EfficientDet介绍
song4348101的博客
02-06 7167
EfficientDet: Scalable and Efficient Object Detection 一、摘要 本文系统地研究用于目标检测的神经网络体系结构设计选择，并提出一些关键的优化方法以提高效率。首先，我们提出了一种加权的双向金字塔网络 (BiFPN)，可以轻松快速地进行多种尺度特征融合；第二，我们针对所有的backbone，特征网络和框/分类预测网络提出了一种可以同时统一缩放分辨率、深度和宽度的复合缩放方法。基于这些优化方法和更好的backbone，我们开发了一个新的目标检测器系列—Effic
EffificientDet: Scalable and Effificient Object Detection
weixin_56836871的博客
02-02 1594
动机： Is it possible to build a scalable detection architecture with both higher accuracy and better efficiency across a wide spectrum of resource constraints (e.g., from 3B to 300B FLOPs)? 【CC】开门见山：基于不同的算力构建一族网络 We systematically study neural network archit
论文精读:EfficientDet: Scalable and Efficient Object Detection
qq_52053775的博客
12-17 917
首先，本篇论文提出了一种加权双向特征金字塔网络（BiFPN），进行简单、快速的多尺度特征融合；其次，作者提出了一种复合尺度方法，同时统一调整所有主干、特征网络和box/类别预测网络的分辨率、深度和宽度。基于这些优化和更好的骨干，提出了一个目标检测算法称为det.
EfficientDet详解
Q1u1NG的博客
05-24 1万+
EfficientDet EfficientDet是google在2019年11月发表的一个目标检测算法系列，分别包含了从D0~D7总共八个算法，对于不同的设备限制，能给到SOTA的结果，在广泛的资源约束下始终比现有技术获得更好的效率。特别是在单模型和单尺度的情况下，EfficientDet-D7在COCO测试设备上达到了最先进的52.2AP，具有52M参数和325B FLOPs，相比与之前的算法，参数量缩小了4到9倍，FLOPs缩小了13到42倍。 首先，google提出了一种加权双向特征金字塔网络（Bi
EfficientDet在精度和效率均实现碾压的目标检测新网络
weixin_42923416的博客
11-29 2679
论文标题：EfficientDet: Scalable and Efficient Object Detection 建立一个高效且高精度的模型 原作者的目的就是如何建立一个精度高且效率高的模型，要建立一个这样的模型需要面临2个挑战。   1.efficicient multi-scale feature fusion, 传统的多尺度特征融合（例如FPN）只是简单的上采样，然后相加。各层...
DeepSeaNet：使用 EfficientDet 改进水下物体检测
06-19
该项目涉及在现有带注释的水下数据集（称为 Brackish 数据集）上实施和评估各种对象检测模型，包括 EfficientDet、YOLOv5、YOLOv8 和 Detectron2。该数据集包含在能见度有限的 Limfjorden 水中捕获的鱼类、螃蟹、...
efficientdet-d0.h5
05-21
目前最优秀的目标检测算法之一，efficientdet-d0算法的keras权重下载，可以在github开源的算法中使用该权重直接完成训练和预测
efficientdet-d3.pth
05-12
efficientdet-d3.pth 权重文件
EfficientDet:Keras和Tensorflow中的EfficientDet（可扩展和有效的对象检测）实现
05-02
可可的预训练EfficientDet权重是从官方版本转换而来的。 感谢您的辛勤工作。 该项目是根据Apache许可发布的。 使用此项目时，也请考虑其许可证。 更新 [03/21/2020]与官方实施同步。 [03/05/2020]锚定免费版本。 ...
qt 雷达扫描障碍物_【摸鱼读paper】L-Shape fitting：基于L-Shape的3DLidar障碍物位姿估计...
weixin_39643189的博客
12-08 624
标题：Efficient L-Shape Fitting for Vehicle Detection Using Laser Scanners作者：Xiao Zhang, Wenda Xu, Chiyu Dong and John M. Dolan来源：IEEE 2017 IV大家好，我是摸鱼小猴。今天为大家带来的文章是---Effificient L-Shape Fitting for Vehi...
Pytorch、Tensorflow深度学习实战群，yolov4、EfficientDet、目标检测、Detectron2、mmdetection、Faster R-CNN
python深度学习笔记,一起学习的加QQ2737499951
05-20 1270
Pytorch、Tensorflow深度学习实战群，yolov4、EfficientDet、目标检测、Detectron2、mmdetection、Faster R-CNN 、pytorch+warpctc、CornerNet-Lite、CenterNet、YOLOv3、中文识别、中文场景识别、chineseocr、野外场景文本识别、SENet、SKnet、注意力机制、金字塔注意力网络、关系图卷积网络(RGCNs)等、RegNet、ResNet、ResNeXT、EfficientNet、ImageNet数.
EfficientDet ---最细节的论文解析
Hide on bush
04-05 1742
EfficientDet: Scalable and Efficient Object Detection 本文做的目标检测使用的backbone依旧是谷歌所提出的EfficientNet，关于EfficientNet的论文和代码及讲解我这里不展开细讲，推荐一个博主霹雳巴拉雷，之前也是看他在B站以及CSDN的代码教学，学到了很多，这里表示感谢。 摘要 模型效率和模型准确度对目标检测任务来说是非常重要的，本文设计了新的网络结构来做检测任务，并且提出了一些新的优化方法来提升模型效率。 主要包括两点： 1）提出
基于EfficientDet的医学图像检测（肺炎、肺结节、肺结核等）(VOC2007)
dcxhun3的博客
01-09 6902
EfiicientDet既快又准的检测算法实战关于EfficientDet 算法收集的信息关于EfficientDet 算法的架构再补充一点复合缩放的内容动手做实验训练开始 关于EfficientDet 算法收集的信息 paper链接，由谷歌出品，必属精品，建议小伙伴们啃一啃paper。 非官方keras开源代码,目前还没有官方开源代码，在github上有大佬开源了，也有pytorch版本的，需要...
EfificientDet目标检测网络
qq_37705280的博客
04-11 369
EfificientDet:scalable and Efficient Object Detection 参考文章： https://blog.csdn.net/dwilimeth/article/details/103206530 https://blog.csdn.net/zhw864680355/article/details/103531307 https://www.cnblo...
《Resolution Adaptive Networks for Effificient Inference》阅读笔记
weixin_41200420的博客
04-04 904
《Resolution Adaptive Networks for Effificient Inference》阅读笔记 本文所做内容 ​ 作者根据简单（easy）的输入图片可以只用低分辨率的特征就能完成分类，而复杂的（easy）图像需要更详细的空间特征信息才能完成分类。如下图1所示，在Resolution Adaptive Networks（RANet）中输入图像首先通过权重轻的子网络提取低分...
手把手教物体检测——EfficientDet
AI浩
06-12 1万+
摘要 谷歌大脑团队 Quoc V. Le 等人系统研究了多种目标检测神经网络架构设计，提出了能够提升模型效率的几项关键优化。首先，他们提出加权双向特征金字塔网络（weighted bi-directional feature pyramid network，BiFPN），从而轻松、快速地实现多尺度特征融合；其次，他们提出一种复合缩放（compound scaling）方法，同时对所有主干网络、特征网络和边界框/类别预测网络的分辨率、深度和宽度执行统一缩放。基于这些优化，研究者开发了新型目标检测器 Effi
EfficientDet-BiFPN
热门推荐
误入歧途渐行渐远
04-05 2万+
EfficientDet是谷歌团队推出的目标检测网络，论文链接：https://arxiv.org/abs/1911.09070 只使用了 52M 参数、326B FLOPS 的 EfficientDet-D7 在 COCO 数据集上实现了当前最优的 51.0 mAP 在类似的准确率限制下，EfficientDet 的 FLOPS 仅为 YOLOv3 的 1/28、RetinaNet 的...
EfficientDet解读
ckqsars的博客
04-14 5441
对于近期屠榜的EfficientDet，记录相关的笔记，也欢迎大家交流 先附上原文连接：EfficientDet原文 在提及EfficientDet时，首先要提一下EfficientDet的backbone，EfficientNet。 EfficientNet原文 在EfficientNet中，提及一个比较主要一个思路就是：复合缩放 众所周知：对于一个baseline网络，调整其深度、宽度、输入分...
efficientdet pytorch 复现
最新发布
01-11
EfficientDet是一种高效的目标检测算法，旨在提高目标检测的准确性和效率。它基于EfficientNet模型，通过在不同尺度的特征层上进行多尺度特征融合和级联特征筛选，有效地提高了检测性能。 要复现EfficientDet的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值