主干网络篇 | YOLOv5/v7 更换骨干网络之 EfficientNet | 卷积神经网络模型缩放的再思考

论文地址：https://arxiv.org/abs/1905.11946
代码地址：https：//githeb.com/TensorFlow/tpu/tree/master/Models/Offical/Efficientnet

卷积神经网络(ConvNet)通常是在固定的资源预算下开发的，如果有更多的资源可用，则会扩大规模以获得更好的精度。在本文中，我们系统地研究了模型缩放，发现仔细平衡网络深度、宽度和分辨率可以带来更好的性能。基于这一观察结果，我们提出了一种新的缩放方法，该方法使用一个简单而高效的复合系数来统一缩放所有维度的深度/宽度/分辨率。我们演示了该方法在扩展移动网和ResNet上的有效性。更进一步，我们使用神经结构搜索来设计一个新的基线网络，并将其放大以获得一系列称为EfficientNets的模型，这些模型获得了比以前的ConvNets更高的精度和效率。特别是，我们的EfficientNet-B7在ImageNet上达到了最先进的84.3%的TOP-1准确率，同时比现有最好的ConvNet小8.4倍，推理速度快6.1倍。我们的EfficientNets在CIFAR-100(91.7%)、Flowers(98.8%)和其他3个迁移学习数据集上的迁移效果也很好，达到了最先进的准确率，参数减少了一个数量级。源代码在https：//githeb.com/TensorFlow/tpu/tree/master/Models/Offical/Efficientnet

---