BiFPN和softmax在目标检测模型中的相对位置关系

BiFPN是模型架构中的独立模块（Neck），而softmax是BiFPN内部用于权重归一化的计算单元。在实际实现中，通常使用快速归一化方法替代softmax以提升效率，但其功能和位置不变——始终处于BiFPN模块的权重处理环节。

 

1. BiFPN的位置：Neck部分

BiFPN（Bidirectional Feature Pyramid Network，加权双向特征金字塔网络）位于目标检测模型的Neck部分，在Backbone主干网络和Detection Head检测头之间：

• 输入端：接收来自Backbone（如EfficientNet）提取的多尺度特征图（如P3-P7层）
• 输出端：将融合后的特征图送入检测头（Box/Class预测网络）进行分类和定位

在EfficientDet图像目标检测模型中，左侧主干网络EfficientNet-B0 to B6学习到的特征，作为输入进入EfficientDet中间的多层双向特征金字塔网络BiFPN进行特征融合。

2. softmax的位置：BiFPN内部机制

softmax位于BiFPN模块内部，具体用于特征融合的权重归一化：

• 功能：对BiFPN中不同输入特征的权重进行归一化，使权重总和为1
• 位置：在计算加权融合时，先计算原始权重w_i，然后通过softmax或快速归一化方法得到归一化权重

BiFPN使用权重对每个特征进行加权，对每一个权重用快速限制的softmax，将融合后的特征表示为...其中ε为极小常数，ωi和ωj是对不同特征的不同标量。