论文地址：https://arxiv.org/abs/1911.09070
开源代码：https://github.com/google/ automl/tree/master/efficientdet
内容介绍：
-
论文概述
-
核心介绍
-
总结
论文概述：
1、目前的目标检测，要不追求更准确的检测效果，但是花销很大，要不更有效率，但牺牲了准确性
2、论文设计了一组目标检测框架，适应不同约束条件，同时满足高精度和高效率
3、主要提出了BiFPN,和compound scale方法
EfficientDets在coco数据集上的效果：
核心介绍：
BiFPN：
（a）原始FPN，只有从上到下的特征融合，只有一个方向的信息流传递
（b）PANet有从上到下和从下到上的特征融合
（c）NAS-FPN，搜索上需要很大资源，并且缺少可解释性和可修改性
（d）（1）去掉了没有特征融合的只有一个输入的节点，这样做是假设只有一个输入的节点相对不太重要；（2）在相同 level 的原始输入和输出节点之间连了一条边，假设是能融合更多特征；（3）将该层重复多次，更更层次地融合特征
Weighted Feature Fusion：
作者发现，不同的输入，分辨率不同，对输出的贡献度也不同，所以给特征融合的每一个输入上设置了可学习权重。权重的范围是没有界限的，导致训练不稳定，为了让训练更加稳定，需要对权重做归一化，如快速正则化融合方法：
EfficientDet：
架构如下：
Backbone network：使用EfficientNet B0-B6
BiFPN network:选用不同的scale，如图：
使用如下公式确定各部分尺度的大小： φ是复合系数，D0~D6使用不同的φ
效果：
compound scale与single scale的对比：
总结：
EfficientDet参数少，推理速度快，准确率高，并且已开源。基于one-stage检测方法，EfficientNet做backbone，亮点之处在于提出了BiFPN与compound scale方法。
