谷歌开源AI工具EfficientDet 利用较少计算资源实现高效物体检测

　　EfficientDet的优化灵感来自关于EfficientNet的研究，提出了骨干网和特征网的联合复合缩放方法。其中，双向特征金字塔网络(BiFPN)作为特征网络，经过ImageNet预训练的EfficientNet作为骨干网络。

　　在进行另一项与物体检测相关的语义分割时，EfficientDet也表现出优异的性能。系统利用PASCAL使目标挑战数据集可视化，从而进行语义分割实验。

　　 核心提示：在机器人和自动驾驶汽车等诸多现实世界应用中，物体检测模型尺寸和延迟受到高度限制。而谷歌大脑和谷歌AI团队开源了AI工具EfficientDet，以使用较少的计算资源实现最先进的物体检测。

　　据外媒报道，近日，谷歌大脑和谷歌AI团队们开源AI工具EfficientDet。该工具可以使用较少的计算资源实现最先进的物体检测。该系统的创建者表示，与YOLO或AmoebaNet等其他物体检测模型相比，该系统与CPU或GPU一起使用时，还能实现更快的性能。

原标题：谷歌开源AI工具EfficientDet 利用较少计算资源实现高效物体检测

　　该论文研究了用于物体检测的神经网络体系结构设计，论文中写道，“我们以优化准确性和效率为目标，希望开发一系列模型，以满足资源受限的应用需求。”作者表示，现有的缩放物体检测方法往往会牺牲准确性，或者会耗费大量资源。而EfficientDet使用成本更低、资源消耗更少的方法，“同时对所有骨干网、特征网络和box/class预测网络的分辨率、深度和宽度进行统一缩放”，将物体检测部署在边缘或云上。论文还写道，“在机器人和自动驾驶汽车等诸多现实世界应用中，模型尺寸和延迟受到高度限制，而巨大的模型尺寸和昂贵的计算成本导致上述模型很难部署。考虑到这些现实约束，目标检测模型的效率变得越来越重要。”

　　EfficientDet是EfficientNet的更新版本，该版本是去年为Coral单板计算机提供的一系列高级目标检测模型。谷歌工程师在去年秋天首次发表的一篇论文中详细阐述了EfficientDet，但近期对其进行了修改和更新。

　　EfficientDet通过删除只有一个输入边缘的节点来优化跨尺度连接，从而创建更简单的双向网络。EfficientDet还依赖单级探测器范式，这是一种以效率和简单著称的物体探测器。论文写道，“我们建议，在特征融合时为每个输入特征增加额外权重，让网络了解每个输入特征的重要性。”