EfficientDet: Scalable and Efficient Object Detection(BiFPN)

最新推荐文章于 2023-04-04 16:09:59 发布
最新推荐文章于 2023-04-04 16:09:59 发布
阅读量1.2k 收藏 1
点赞数
分类专栏： 论文解读
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/weixin_38688399/article/details/106808202
版权
EfficientDet是一种平衡速度和精度的卷积神经网络，用于目标检测。它包括从EfficientDet-D1到D7的不同变体，随着精度提升，计算需求增加。文章重点介绍了BiFPN，一种改进的特征融合方法，它优化了FPN和PAN的结构，减少了参数和计算成本，同时提高了性能。BiFPN通过双向连接和自适应权重融合增强特征信息。EfficientDet-D7在COCO测试集上实现了53.7的AP，展示了其优越的性能。
摘要由CSDN通过智能技术生成

目录

EfficientDet: Scalable and Efficient Object Detection

论文：EfficientDet: Scalable and Efficient Object Detection
论文地址：https://arxiv.org/pdf/1911.09070.pdf

卷积神经网络的速度和精度之间存在权衡，而 EfficientDet 是一个总称，可以分为 EfficientDet-D1 ~ EfficientDet-D7，速度逐渐变慢，但是精度也逐渐提高。
在这里插入图片描述
由上图可知，EfficientDet-D7的参数量52M，FLOPs为325B的情况下，在COCO测试集上达到了53.7的AP，是一个SOTA结果。

BiFPN

EfficientDet-D7最重要的贡献就是提出了BiFPN的特征融合。
BiFPN
自从FPN提出之后，各种连连看式的特征融合方法被提出来，FPN是将高层语义信息通过自顶向下的路径进行传递，PAN为了让低层的位置信息也能传递到高层语义信息层，添加了一

最低0.47元/天 解锁文章
xxZkj
关注
专栏目录
Paper之EfficientDet: 《Scalable and Efficient Object Detection—可扩展和高效的目标检测》的翻译及其解读
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
01-09 8753
Paper之EfficientDet: 《Scalable and Efficient Object Detection—可扩展和高效的目标检测》的翻译及其解读 导读：2019年11月21日，谷歌大脑团队发布了论文 EfficientDet: Scalable and Efficient Object Detection。 Google Brain 团队的三位 Auto ML 大佬 Ming...
EfficientDet: Scalable and Efficient Object Detection
huangyiping12345的博客
05-08 869
参考文献：https://arxiv.org/pdf/1911.09070.pdf pytorch代码实现：https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch EfficientDet: Scalable and Efficient Object Detection 摘要
EfficientDet:Scalable and Efficient Object Detection)
绘视科技
10-21 476
EfficientDet:Scalable and Efficient Object Detection文章解读1 背景介绍2 创新点算法思路网络结构head：从特征获取预测结果 文章解读 Google最新提出的目标检测算法，提出BIFPN和EfficientDet，通过改进FPN中多尺度特征融合的结构和借鉴EfficientNet模型缩放方法，提出了一种模型可缩放且高效的目标检测算法EfficientDet。 1 背景介绍 目前目标检测的方法分为one-stage，two-stage两种，但是个人感觉不断
EfficientDet:Scalable and Efficient Object Detection
weixin_40573220的博客
03-22 2229
快速论文解读|CVPR2020|EfficientDet:Scalable and Efficient Object Detection1、背景描述2、本文方法2.1 BiFPN3、实验结果4、相关链接图片代码片列表表格中、居左、居右SmartyPant列表注脚注释数学公式新的甘特图功能图表流程图导出、导入出入 1、背景描述 在目标检测中，为了增强网络的特征表达能力，我们常用的Neck结构一般为FPN或者PAN，融合低层和高层特征，本文提出这两种方法存在一些不足之处： （1）常见的网络特征融合部分（FPN和
论文阅读瞎记(二)EfficientDet: Scalable and Efficient Object Detection 2020
Pleadge的博客
03-08 4060
论文阅读瞎记(二)EfficientDet: Scalable and Efficient Object Detection 2020 翻译加自己概括，有问题的地方请指正 不清楚： PANet NAS-FPN 计算机视觉中模型的效率越发重要，本文系统地学习基于检测的神经网络架构选择，并提出几个关键优化来提升效率。首先是提出了一种加权双向FPN（BiFPN），它能够快速简单地进行多尺度特征融合。第二，我们提出了一种复合标度方法，该方法可以同时对所有主干网络、特征网络和盒类预测网络的分辨率、深度和宽度进行统一标
EfficientDet 算法解读 EfficientDet: Scalable and Efficient Object Detection
dwilimeth的博客
11-22 5615
Google Brain 论文解读：EfficientDet: Scalable and Efficient Object DetectionBiFPNCross-Scale ConnectionsCompound Scaling
《EfficientDet：Scalable and Efficient Object Detection》论文笔记
m_buddy的博客
01-12 1025
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...
EfficientDet: Scalable and Efficient Object Detection 论文学习
calvinpaean的博客
03-29 796
Abstract 模型效率在计算机视觉领域愈发重要。本文中，作者系统地研究了神经网络结构设计，提出了多项关键优化以提升模型效率。首先，作者提出了一个加权的双向特征金字塔网络（BiFPN），使得多尺度特征融合更加简单而快速；其次，作者提出了一个混合缩放的方法，同时对主干网络、特征网络和边框/类别预测网络的深度、分辨率和宽度进行缩放。基于这些改进，作者设计了多个目标检测器，叫做EfficientDet...
Efficientdet: Scalable and efficient object detection
dinosaurlu的博客
07-16 240
论文地址：https://arxiv.org/abs/1911.09070 代码地址：（1）https://github.com/google/automl/tree/master/efficientdet（官方）（2）https://github.com/signatrix/efficientdet 论文主要工作和模型表现： 在2020年CVPR会议上，谷歌大脑团队提出一款新型单阶段目标检测器--- EfficientDet，类似于SSD和RetinaNet。该模型从提高模型效率的角度切入...
【目标检测】EfficientDet: Scalable and Efficient Object Detection
zhw864680355的博客
12-16 1877
论文:《EfficientDet: Scalable and Efficient Object Detection》 论文地址：https://arxiv.org/pdf/1911.09070.pdf 开源项目：https://github.com/xuannianz/EfficientDet 原文参考：https://www.cnblogs.com/mlj318/p/11996609.ht...
目标检测《EfficientDet: Scalable and Efficient Object Detection》
胖胖大海的博客
07-13 659
EfficientDet特点： 采用了带权重的双向FPN网络BiFPN进行特征融合，并通过模型学习得到不同特征的权重参数，不同的特征融合方式P3-P7，就得到了不同大小的EfficientDet模型 提出了对于resolution、depth、width进行联合扩展进行模型尺度缩放，提升模型性能 上图中，FPN是特征将金字塔网络，PANet是基于FPN的改进，NAS-FPN是使用网络搜索的方式自动确定特征融合的方式（可解释性差），BiFPN是EfficientDet中采用的...
【论文阅读笔记】EfficientDet：Scalable and Efficient Object Detection
时光机 °的博客
07-08 1018
论文地址：EfficientDet 论文总结   本文是基于EfficientNet展开的检测网络，其提出了一种新的特征融合手段（BiFPN），以及检测器上的缩放方案（如EfficientNet一样的多维度组合缩放方案），可以得到一个高效率又高性能的网络。   BiFPN通过对FPN添加一个bottom-up的路径以及做了一些修改，之后又对每一个特征融合的特征添加了权重的影响，这与传统的相同大小feature map直接相加不同。   网络性能展示如下： 论文介绍   BiFPN是一个有效的双向的同尺
论文阅读：EfficientDet: Scalable and Efficient Object Detection
j879159541的博客
10-06 571
文章目录1、论文总述2、各式各样的FPN及其效果3、BiFPN设计的心路历程4、Weighted Feature Fusion4、EfficientDets家族的网络结构图5、Compound Scaling针对目标检测的设置6、实验训练设置细节7、EfficientDet performance on COCO7、 EfficientNet和BiFPN的贡献各有多少8、EfficientDet performance on COCO参考文献 1、论文总述 本篇论文是Google提出的EfficientNe
论文精读:EfficientDet: Scalable and Efficient Object Detection
qq_52053775的博客
12-17 1069
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.
BiFPN 论文重点研读：高效双向跨尺度连接和加权特征融合
最新发布
世上安得两全法？
04-04 3362
本文重点在于说明设计了BiFPN特征网络结构，如果能多使用几次BiFPN的话，会使实验效果更好。
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