目录
三、BiFPN (bidirectional feature pyramid network)
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