目标检测-EfficientDet算法介绍

最新推荐文章于 2024-08-19 08:35:08 发布
置顶 最新推荐文章于 2024-08-19 08:35:08 发布
阅读量5k 收藏 12
点赞数 3
分类专栏： 目标检测 算法学习 文章标签： EfficientDet 目标检测
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_44222014/article/details/103230320
版权
EfficientDet是谷歌大脑团队提出的可缩放且高效的目标检测算法，它在COCO数据集上实现了最高精度51.0 mAP，同时参数量和计算量远小于先前最佳算法。通过改进FPN的BiFPN结构和EfficientNet的Compound Scaling方法，EfficientDet实现了在不同资源限制下的性能优化。此外，文章还讨论了BiFPN相对于其他FPN结构的优势和实验结果。
摘要由CSDN通过智能技术生成
文章与视频资源多平台更新
微信公众号|知乎|B站|头条：AI研习图书馆

深度学习、大数据、IT编程知识与资源分享，欢迎关注，共同进步~

1. 引言

文章：EfficientDet: Scalable and Efficient Object Detection

论文地址：https://arxiv.org/pdf/1911.09070.pdf

近日，谷歌大脑团队发布了论文 EfficientDet: Scalable and Efficient Object Detection ，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。

其高精度版本 EfficientDet-D7 仅有 52M 的参数量和326B FLOPS ，在COCO数据集上实现了目前已公布论文中的最高精度 ：51.0 mAP！

相比于之前的最好算法，它的参数量小 4 倍，FLOPS小9.3倍，而精度却更高（+ 0.3 ％ mAP）！

下面，我们就来一睹为快，这篇文章到底做了什么改进？提出了哪些目标检测研究的新思路？

2. EfficientDet算法总结

Google Brain在EfficientNet的基础上提出了针对于物体检测的可

最低0.47元/天 解锁文章
AI研习图书馆
关注
专栏目录
EfficientDet介绍
song4348101的博客
02-06 7249
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
EfficientDet详解
热门推荐
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
目标检测之------EfficientDet(BiFPN)可扩展且高效的目标检测
最新发布
qq_52191127的博客
08-19 881
本文受EfficientNet的启发，提出了一种用于目标检测模型的复合尺度变换方法，不仅可以同时对分辨率、网络深度、网络宽度三个维度进行统一缩放，而且可以对目标检测模型中的骨干网络、特征网络、分类/回归预测网络中的上述三个维度进行统一缩放。 此外，本文还提出了一种新的加权双向特征金字塔网络（bi-directional feature pyramid network，BiFPN），可以简单快速地进行多尺度特征融合。基于上述两点，并入引入更好的backbone即EfficientNet，作者提出了一个新的检测
EfficientDet 算法解读
qq_32256033的博客
05-06 633
EfficientDet: Scalable and Efficient Object Detection https://zhuanlan.zhihu.com/p/111115509 https://zhuanlan.zhihu.com/p/93241232 这篇文章的主要贡献点是 BiFPN，Compound Scaling 两部分 ...
EfficientDet
qq_35608277的博客
03-23 902
优秀的主干网络。同样出自谷歌家族的EfficientNets 。 双向FPN（BiFPN，特征金字塔网络）。可以方便且更好的进行特征融合。 模型缩放技术。
目标检测之EfficientDet
年轻即出发，
04-19 1875
论文：EfficientDet: Scalable and Efficient Object Detection Github： https://github.com/google/automl/tree/master/efficientdet https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch CVPR202...
Yet-Another-EfficientDet-Pytorch-master.rar
06-14
总的来说，这个压缩包提供了一个全面的EfficientDet实现，涵盖了从理论到实践的完整流程，对于学习物体检测算法、理解EfficientDet的工作原理，以及开发实际应用都是非常有价值的资源。无论是初学者还是经验丰富的...
EfficientDet目标检测论文
06-19
EfficientDet目标检测论文总结 EfficientDet是Google ...EfficientDet算法是目标检测领域的一次突破，解决了当前检测算法的计算资源高昂问题。该算法的高效性和灵活性使其能够被广泛应用于各种计算资源约束的场景。
efficientdet-pytorch-master_目标检测_优化_
09-28
《efficientdet-pytorch-master_目标检测_优化_》是一个关于目标检测算法和优化技术的资源包，主要基于PyTorch框架实现。在深度学习领域，目标检测是计算机视觉任务中的一个重要部分，它旨在图像中识别和定位出特定...
MelNet一种用于对象检测的实时深度学习算法 yolov5、EfficientDet 和 Faster-RCNN-MobileNetv3
sybh的博客
05-22 1256
人们观察图像并迅速识别图像中包含的物体，辨别 它们的位置，并理解它们之间的相互作用。人类的视觉 系统表现出快速性和精确性，允许进行复杂的活动，例 如以最小的有意识思考[53]驾驶车辆。近年来，深度学习在解决目标检测、语义分割、行 人再识别、图像检索、异常检测、皮肤病诊断等挑战性 问题方面表现出了巨大的增长。在深度学习中已经定义 了各种类型的神经网络来从数据中学习抽象特征，例如 多层感知器(MLP)、卷积神经网络(CNN)、循环神经网络 (RNN)和生成对抗网络(GAN)。
efficiencydet ：（提供预训练的权重）EfficientDet：Signatrix GmbH实现可扩展且高效的对象检测
02-04
EfficientDet：可扩展且高效的对象检测 介绍 这是我们在EfficientDet：可伸缩和高效对象检测描述的模型的pytorch实现（注意：我们还提供了预先训练的权重，您可以在./trained_models中看到） 我们模型输出的一个例子。 数据集 数据集 班级 ＃火车图片 ＃验证图片 可可2017 80 118k 5千 在存储库下创建一个数据文件夹， cd {repo_root} mkdir data 可可：从下载可可图像和注释。 确保将文件放置为以下结构： COCO ├── annotations │ ├── instances_train2017.json │
EfficientDet简述
今天打卡Leetcode了吗
11-03 1050
引言   近年来，目标检测在精度方面取得了巨大的进步。 同时，最新的物体检测器代价也变得越来越昂贵。 例如基于AmoebaNet的NAS-FPN检测器需要167M参数和3045B FLOPS（比RetinaNet高出30倍）才能达到最新的精度。 巨大的网络模型和昂贵的计算成本阻碍了它们在许多实际应用中的部署，例如机器人技术和无人驾驶汽车，在这些应用中，模型尺寸和延迟受到很大限制。 考虑到这些实际资源的限制，模型效率对于对象检测变得越来越重要。   以前有许多工作关注与开发高效的模板检测结构，例如one-st
EfficientDet解读
ckqsars的博客
04-14 5456
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系列(零)-EfficientDet算法解读
GeekPlusA的博客
11-09 1047
EfficientDet:Scalable and Efficient Object Detection Google Brain团队的三位 Auto ML 大佬 Mingxing Tan, Ruoming Pang, Quoc V. Le 在 CVPR 2020 发表一篇文章 EfficientDet:Scalable and Efficient Object Detection，代码已经开源到了 Github 这篇工作可以看做是中了 ICML 2019 Oral 的 EfficientNet: Reth
（十四）论文阅读 | 目标检测之EfficientDet
Skies_的博客
04-15 1145
2019 | 目标检测之EfficientDet
EfficientDet算法
07-25
EfficientDet是一种高效的目标检测算法，它由Google开发并于2019年发布。该算法的设计目标是在保持准确性的同时，提高检测速度和模型的轻量化。 EfficientDet基于EfficientNet模型，并采用了一系列的优化策略来提高检测性能。其中最重要的策略是使用了一种新的复合缩放方法，称为BiFPN（Bi-directional Feature Pyramid Network）。BiFPN通过在不同层级上进行双向特征传播，实现了特征融合和上下文信息的引入，从而增强了目标检测的准确性。 此外，EfficientDet还采用了一种新的损失函数设计，称为Focal Loss。Focal Loss可以有效地处理目标检测中存在的类别不平衡问题，使得算法在训练过程中能够更好地关注难以分类的样本。 通过这些优化策略，EfficientDet在多个基准目标检测数据集上取得了竞赛级别的性能。它在准确性、速度和模型大小等方面都取得了显著的改进，成为了当前目标检测领域的研究热点之一。
评论 1
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

打赏作者

AI研习图书馆

您的鼓励将是我创作的最大动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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