GitHub：https://github.com/google/automl/tree/master/efficientdet
摘要
本文提出了双向的特征金字塔网络，合理调整网络的深度和宽度。单模型单尺度，EfficientDet D7在COCO 就能达到52.2AP 仅用52M的参数量，比之前检测器小4~9倍。
1.Introduction：
使检测网络更有效的一些方法：
（1）单阶段
（2）Anchor free：
Cornernet: Detecting objects as paired keypoints. ECCV, 2019
Fcos: Fully convolutional one-stage object detection. ICCV, 2019.
Objects as points.
（3）压缩现有的模型：
Rethinking the value of network pruning（ICLR2019）.
Yolo-lite: a real-time object detection algorithm optimized for non-gpu computers
本文指出目前有两个难点：
1、有效的多尺度特征融合：继FPN后，陆续有PANet ，NAS-FPN
2、model scaling：依赖更大的backbone，或者更大图像大小输入。
3、Related Work
多尺度特征表示
（1）传统的自顶向下的FPN仅有单向的信息流动，（2）PANet增加了额外的自底向上的跨尺度的连接，
（3）M2Det使用了U型的结构 （4）G-FRNet 引入gate单元控制特征之间的信息流
（5）NAS-FPN 则是使用了神经网络结构搜索 （6）BiFPN双向特征金字塔
多尺度特征融合就是要将不同分辨率大小的特征图进行融合
左边是传统的FPN; 右边是BiFPN的公式（td就是top-down）
权重控制的特征融合：
一种方法是直接resize到相同大小的特征图做sum操作，但不同输入特征对输出特征的贡献是不同的，所以本文让网络学习不同特征的重要性
基于Softmax的融合：一种直观的idea是对没一个权重使用softmax，这样所有权重都标准化到-~1之间，但是softmax在GPU硬件上明显，我们需要一种更快捷的融合方法
快速的标准化融合：
Compound scaling
目标检测比图像分类有更多的维度： 双向FPN的深度和宽度 ,回归分类网络（box/class network），图像输入分辨率大小（Image Resolution）
Backbone：
使用了efficientNet B0-B6 这样能够使用ImageNet的预训练模型
BiFPN：
对于深度使用线性增长的方式，宽度使用指数增长：
分类/边框回归网络宽度（通道数）设置和BiFPN的宽度相同，层数设置如下：
Image Resolution：因为使用的是level3-7的特征所以输入的分辨率要能被128整除：
4、 Experiment
COCO 1.18万张图训练集，测试分别用了有公开GT的val验证集和无公开GT的test-devce
Weight decay设为5e-4 ，训练时学习率在第一个epoch从0线性增长到.0.16然后cosine下降。 每个模型训练300epoch，anchor ratio={0.5,1,2}
Table2. EfficientDet D0-D7
Table3 在Pascal VOC的语义分割的效果，目标检测用的特征是{P3-P7},,语义分割就是用P2-P7，
5 Ablation study
5.1 、Backbone和bifpn的有效性，使用更少的参数和运算量还能有4AP提升
5.2、Table5 是模型的精度和复杂性。 为了公平对比 FPN PANet里都用深度可分离卷积
5.3、Fast normalized的方法可以快1.26到1.31倍且精度相近。训练过程中 fast的方法权重变化的比softmax要快
结论：
Compound scaling使用了一个系数同步的调节网络的各个维度参数。 其他都是单独只调一个维度，可以看出相同的运算量下，同时调各个维度效果最佳
