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。