L'efficacité des modèles devient de plus en plus importante en vision par ordinateur. Dans cet article, nous étudions systématiquement les choix de conception d'architecture de réseau de neurones dans la détection d'objets et proposons plusieurs optimisations clés pour améliorer l'efficacité. Tout d'abord, nous proposons un réseau bidirectionnel pondéré de pyramides d'entités (BiFPN), qui peut réaliser une fusion d'entités multi-échelles simple et rapide ; deuxièmement, nous proposons une méthode de mise à l'échelle composite qui implémente simultanément le réseau fédérateur, le réseau d'entités et la prédiction de boîte/catégorie. mise à l'échelle uniforme de la résolution, de la profondeur et de la largeur. Sur la base de ces optimisations et d'un meilleur réseau dorsal, nous développons une nouvelle famille de détecteurs d'objets, appelée EfficientDet, qui atteint systématiquement une efficacité supérieure à celle des techniques précédentes dans un large éventail de contraintes de ressources. En particulier, sous un seul modèle et une seule échelle, notre EfficientDet-D7 atteint un AP 55.1 de pointe avec 77M de paramètres et 410B FLOPs sur COCO test-dev, qui est 4x à 9x plus petit que les détecteurs précédents, Utilise 13x à 42x moins de FLOP.
Adresse papier : https://arxiv.org/pdf/1911.09070.pdf
Adresse du code : https://github.com/google/automl/tree/master/efficientdet