這個(gè)系統(tǒng)，實(shí)現(xiàn)較少的計(jì)算，獲得更高效的檢測(cè)目標(biāo)。
該系統(tǒng)的創(chuàng)建者表示，與YOLO或AmoebaNet等其他流行的檢測(cè)模型相比，該系統(tǒng)與CPU或者GPU一起使用時(shí)，還能實(shí)現(xiàn)更快的性能。
在進(jìn)行另一項(xiàng)與目標(biāo)檢測(cè)相關(guān)的任務(wù)時(shí)，EfficientDet也取得了優(yōu)異的性能。利用PASCAL可視化對(duì)象，訓(xùn)練數(shù)據(jù)集，從而進(jìn)行語(yǔ)義分割實(shí)驗(yàn)。
EfficientDet是EfficientNet的更新版本，該版本是去年為Coral board單板計(jì)算機(jī)，提供的一系列高級(jí)對(duì)象檢測(cè)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(fā)表的一篇論文中詳細(xì)闡述了EfficientDet，但在周日對(duì)論文（包括代碼）進(jìn)行了修改和更新。
“以優(yōu)化準(zhǔn)確性和效率為目標(biāo)，我們希望開發(fā)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(biāo)檢測(cè)的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)設(shè)計(jì)。
作者說，現(xiàn)有的縮放目標(biāo)檢測(cè)方法往往會(huì)犧牲準(zhǔn)確性，或者會(huì)耗費(fèi)大量資源。EfficientDet實(shí)現(xiàn)了一種成本更低、資源消耗更少的方法，可以將對(duì)象檢測(cè)部署在邊緣或云上，其方法是“同時(shí)對(duì)所有主干、特征網(wǎng)絡(luò)和box/class預(yù)測(cè)網(wǎng)絡(luò)的分辨率、深度和寬度進(jìn)行統(tǒng)一擴(kuò)展”。
“巨大的模型尺寸和昂貴的計(jì)算成本阻礙了它們?cè)跈C(jī)器人和自動(dòng)駕駛汽車等許多現(xiàn)實(shí)世界應(yīng)用程序中的部署，在這些應(yīng)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(xiàn)實(shí)世界的資源約束，模型效率對(duì)于對(duì)象檢測(cè)變得越來(lái)越重要。”
EfficientDet的優(yōu)化靈感來(lái)自于Tan和Le在EfficientNet上的原創(chuàng)作品。提出了骨干網(wǎng)和特征網(wǎng)（backbone and feature networks）的聯(lián)合復(fù)合標(biāo)度方法。其中，雙向特征金字塔網(wǎng)絡(luò)(BiFPN)作為特征網(wǎng)絡(luò)，ImageNet預(yù)訓(xùn)練的特征網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)。
EfficientDet通過刪除只有一個(gè)輸入邊的節(jié)點(diǎn)來(lái)優(yōu)化跨尺度連接，從而創(chuàng)建一個(gè)更簡(jiǎn)單的雙向網(wǎng)絡(luò)。它還依賴于單級(jí)探測(cè)器范式，一種以效率和簡(jiǎn)單著稱的對(duì)象探測(cè)器。
“我們建議在特征融合時(shí)為每個(gè)輸入增加額外的權(quán)重，讓網(wǎng)絡(luò)了解每個(gè)輸入特征的重要性，”論文寫道。
這是來(lái)自谷歌最新的目標(biāo)檢測(cè)的消息，其用于目標(biāo)檢測(cè)的谷歌云視覺系統(tǒng)，最近在其公開可用的API中，將男性和女性的標(biāo)簽刪除。
京公網(wǎng)安備 11010502049343號(hào)