EfficientDet: Scalable and Efficient Object Detection

一. 论文动机

　　现有的比较好的检测器参数量和计算量很大，在实际应用中很难使用。同时，为了获得高的精度，使用较高分辨率的输入和更深的网络结构，这在受限条件下很难应用。

　　为此，作者设计了一个可缩放的、有效的目标检测框架。

二. 主要改进点

1. 加权的双向FPN（BiFPN），实现简单快速的多尺度特征融合。

 图2(a)是初始的FPN，只有一条top-down通路，不利于信息的交流。图2(b)是在FPN的基础上加了一条bottom-up的通路。图2(c)是通过NAS来得到的FPN结构，很难被解释。图2(d)是全连接的FPN。图2(e)是简化的FPN。是在PANet基础上，将P4中间节点指向P3的输出，然后移除掉只有一个输入边的结点。(f)是论文提出的BiFPN结构。同一层的输入层、输出层之间也会进行信息交互，同时可以作为一个层，重复多次。融合的时候还加了权重。

 

2. 提出一种复合的缩放方法，同时缩放backbone, feature network, box/class prediction networks的分辨率、深度和宽度。

三、整体网络结构

 

 四、实验结果