EfficientDet

https://arxiv.org/pdf/1911.09070.pdf

Efficientnet的延续，提出了更快、更容易的多尺度融合BiFPN；提出了在backbone，feature network，box/class prediction上，

统一扩展模型的方式（仍然是调整width, resolution, depth）。

1、BiFPN

     当前的一些FPN变种，f为作者提出的bifpn，其实是PANet的简单变种。

　　 特征加权融合

        FPN的特征融合方式中，对不同分辨率的特征都是相同权重。

     本文使用加权的特征融合方式，并提出了三种方法，其中第三种方法在速度和精度上综合最好。

　　　加权后的融合方式

2、EfficientDet

    （1）结构图

             可以看到，bifpn layer和class/box predict是重复的多个个layer构成的。

    （2）结构扩展

                 backbone使用efficientnet系列；

             bifpn中，宽度和深度按照如下方式增加；

 　　　　box/cls prediction

            宽度跟bifpn保持一致，线性增加深度

          输入分辨率

参考 https://arxiv.org/pdf/1911.09070.pdf

EfficientDet

原文：https://www.cnblogs.com/573177885qq/p/12252710.html