這個系統，實現較少的計算，獲得更高效的檢測目標。
該系統的創建者表示，與YOLO或AmoebaNet等其他流行的檢測模型相比，該系統與CPU或者GPU一起使用時，還能實現更快的性能。
在進行另一項與目標檢測相關的任務時，EfficientDet也取得了優異的性能。利用PASCAL可視化對象，訓練數據集，從而進行語義分割實驗。
EfficientDet是EfficientNet的更新版本，該版本是去年為Coral board單板計算機，提供的一系列高級對象檢測模型。谷歌的工程師譚明星、龐若明和Quoc Le在去年秋天首次發表的一篇論文中詳細闡述了EfficientDet，但在周日對論文（包括代碼）進行了修改和更新。
“以優化準確性和效率為目標，我們希望開發一系列模型，以滿足使用需求。”論文寫道，該論文研究了用于目標檢測的神經網絡體系結構設計。
作者說，現有的縮放目標檢測方法往往會犧牲準確性，或者會耗費大量資源。EfficientDet實現了一種成本更低、資源消耗更少的方法，可以將對象檢測部署在邊緣或云上，其方法是“同時對所有主干、特征網絡和box/class預測網絡的分辨率、深度和寬度進行統一擴展”。
“巨大的模型尺寸和昂貴的計算成本阻礙了它們在機器人和自動駕駛汽車等許多現實世界應用程序中的部署，在這些應用程序中，模型尺寸和延遲受到高度限制，”論文寫道。“考慮到這些現實世界的資源約束，模型效率對于對象檢測變得越來越重要。”
EfficientDet的優化靈感來自于Tan和Le在EfficientNet上的原創作品。提出了骨干網和特征網（backbone and feature networks）的聯合復合標度方法。其中，雙向特征金字塔網絡(BiFPN)作為特征網絡，ImageNet預訓練的特征網絡作為骨干網絡。
EfficientDet通過刪除只有一個輸入邊的節點來優化跨尺度連接，從而創建一個更簡單的雙向網絡。它還依賴于單級探測器范式，一種以效率和簡單著稱的對象探測器。
“我們建議在特征融合時為每個輸入增加額外的權重，讓網絡了解每個輸入特征的重要性，”論文寫道。
這是來自谷歌最新的目標檢測的消息，其用于目標檢測的谷歌云視覺系統，最近在其公開可用的API中，將男性和女性的標簽刪除。
京公網安備 11010502049343號