Google Brain小组和Google AI的成员本周开放了EfficientDet的源代码，EfficientDet是一种AI工具，可以在不使用任何计算的情况下实现最先进的对象检测。该系统的创建者说，与其他流行的异物检测模型（如YOLO或AmoebaNet）一起使用时，与CPU或GPU一起使用时，它还可以实现更快的性能。
当执行与对象检测有关的另一任务语义分割任务时，EfficientDet也可实现出色的性能。语义分割实验进行了PASCAL视觉对象挑战数据集。
EfficientDet是EfficientNet的下一代版本，EfficientNet是去年用于Coral板的一系列高级对象检测模型。Google工程师Tan Mingxing Tan，Google Ruoming Pang和Quoc Le在去年秋天首次发表的一篇论文中详细介绍了EfficientDet ，在周日对其进行了修订和更新，将代码包括在内。
“以优化准确性和效率为目标，我们希望开发一系列模型，以满足广泛范围的资源约束，”论文写道，该论文研究了用于对象检测的神经网络体系结构设计。
作者说，现有的缩放对象检测方法往往会牺牲准确性，或者会耗费大量资源。effecentdet实现了一种成本更低、资源消耗更少的方法，可以将对象检测部署在边缘或云上，其方法是“同时对所有主干、特征网络和box/class预测网络的分辨率、深度和宽度进行统一扩展”。
“巨大的模型尺寸和昂贵的计算成本阻碍了它们在机器人和自动驾驶汽车等许多现实世界应用程序中的部署，在这些应用程序中，模型尺寸和延迟受到高度限制，”论文写道。“考虑到这些现实世界的资源约束，模型效率对于对象检测变得越来越重要。”
efficient entdet的优化灵感来自于Tan和Le在EfficientNet上的原创作品。提出了骨干网和特征网的联合复合标度方法。其中，双向特征金字塔网络(BiFPN)作为特征网络，ImageNet预训练的特征网络作为骨干网络。
EfficientDet通过删除只有一个输入边的节点来优化跨尺度连接，从而创建一个更简单的双向网络。它还依赖于单级探测器范式，一种以效率和简单著称的对象探测器。
“我们建议在特征融合时为每个输入增加额外的权重，让网络了解每个输入特征的重要性，”论文写道。
声明：本文由易百纳技术社区编写，文章内容来自venturebeat，版权归原作者所有，转载请注明出处，如有侵权请联系删除。
