EfficientDet: Scalable and Efficient Object Detection

EfficientDet

1.摘要

1. 首先，我们提出了一种加权双向特征金字塔网络（BiFPN），它允许简单快速的进行多尺度特征融合。
2. 其次，我们提出了一种复合缩放方法，该方法可同时对所有主干网络，特征网络和box/class预测网络的分辨率，深度和宽度进行均匀缩放。

基于以上两点优化提出了EfficientDet。EfficientDet=EfficientNet+BiFPN+compound scaling

2.介绍

1. 两个主要的挑战：

   1. 有效的多尺度特征融合。

       FPN被广泛运用于多尺度特征融合，但以前的这些都是进行简单的相加。通常输入分辨率不一样，对输出特征的贡献也不一样。
       为了处理这个问题，我们提出了⼀种简单⽽⾼效的加权双向特征⾦字塔⽹络(BiFPN)，该⽹络引⼊可学习的权值来学习不同输⼊特征的重要性，同时反复应⽤⾃顶向下和⾃底向上的多尺度特征融合
      

   2. model scaling

       虽然以往的研究主要依赖于更⼤的骨⼲⽹络或更⼤的输⼊图像尺⼨来获得更⾼的精度。
       但我们发现，在兼顾精度和效率的情况下，缩放特征⽹络和分类预测⽹络、回归预测网络也是⾄关重要的。我们提出了⼀种针对所有骨⼲⽹络、特征⽹络、回归/分类预测⽹络的分辨率/深度/宽度的复合缩放方法。
      

3. BiFPN

在本⽂中，我们主要遵循one stage的设计，我们证明了通过优化的⽹络结构可以获得更好的效率和更⾼的精度。

3.1 Multi-Scale Feature Representations

	resize通常是upsampling or downsampling

3.2 Cross-Scale Connections

本⽂提出了跨尺度连接的⼏个优化⽅法:

1. ⾸先，我们删除了那些只有⼀条输⼊边的节点;我们的直觉很简单:如果⼀个节点只有⼀条输⼊边⽽没有进⾏特征融合，那么它对融合不同特征的特征网络的贡献就较⼩。这就形成了⼀个简化的双向⽹络;
2. 其次，在原输⼊节点到输出节点在同⼀⽔平上增加⼀条边缘，以在不增加成本的情况下融合更多的特征;
3. 第三，不同于PANet只有⼀条⾃顶向下和⼀条⾃底向上路径，我们将每⼀条双向(⾃顶向下和⾃底向上)路径视为⼀个特征⽹络层，并在同⼀层重复多次，以实现更⾼级的特征融合。

新的特征网络命名为双向特征金字塔网络 bidirectional feature pyramid networ