【论文阅读】【2D目标检测】EfficientNet和EfficientDet

本文介绍了EfficientNet和EfficientDet两种2D目标检测算法,探讨了如何在有限计算资源下提升网络性能。EfficientNet通过compound scaling method综合调整深度、宽度和分辨率。EfficientDet利用EfficientNet作为backbone,结合BiFPN进行特征融合,实现高效的目标检测。尽管超参数较多,但实验结果显示两者性能强大。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

EfficientNet和EfficientDet是2020年新出来的图像分类和目标检测算法,抽出空来读了一下,这里做一下记录。

EfficientNet

论文全称:EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
发表刊物:2019ICML

核心问题

本文解决的一个核心问题是:给定计算资源的前提下,在不变动网络结构的情况下,如何最大化的提升网络的能力。首先文章给出了几种提升网络能力的方法,如下图:
在这里插入图片描述
(a) \text{(a)} (a)baseline,确定网络的结构
(b) \text{(b)} (b)增加卷积核的channel数,也就是增加每个feature map的channel数
(c) \text{(c)} (c)增加网络的深度,增加卷积层的数量,可以扩大感受野,更好地提取高级特征
(d) \text{(d)} (d)提高输入的分辨率,也就增加每个feature map的大小
(e) \text{(e)} (e)本文提出融合 (b)(c)(d) \text{(b)(c)(d)} (b)(c)(d)方法

本文将上述目标,表示成的数学形式如下:
在这里插入图片描述

compound scaling method

数学形式可以表达如此:
在这里插入图片描述
上述表达的意义理解如下:

  1. ϕ = 0 \phi = 0 ϕ=0时, d = w = r = 1 d=w=r=1 d=
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值