EfficientDet: Scalable and Efficient Object Detection
https://arxiv.org/abs/1911.09070
1.文章採用了哪些主要優化方法，提高性能
1）使用bifpn, 2)使用了複合縮放辦法，，對主幹、特徵網絡、方框/分類預測網絡一致的縮放：尺度、深度、寬度
2.什麼是一階段的目標檢測？
直接基於anchor預測，不產生proposal network,例如ssd
3.什麼是anchor-free的目標檢測？
不用anchor, 直接回歸物體的定點
4.efficientdet是否開源了語義檢測部分，論文中提到比deeplabv3+,更準，但是參數少了9.8倍？
沒有開源
5.傳統自頂向下的fpn，信息流是單向的，怎麼解釋？
這裏應該指從主幹出來的特徵層，組成的網絡
6.biFPN 首先去掉了PANET的單輸入節點，然後同一個尺度的特徵，加入了直連， 請問PANET中有哪些是單輸入節點？
P7後面的節點，以及P3後面的後面的節點
7. biFPN中加入權值的特徵融合，是w0 x0 + w1 x1的方式嗎？w的取值範圍是多少？
不是，因爲這樣w取值範圍很大，訓練很不穩定； w>=0,使用了relu
使用softmax方式，運算量很大，所以採用了w0/(w0+w1)的方式歸一化
8.使用efficientdet 裏面深度等計算公式，計算b0, b7的 寬度，深度，尺度的縮放係數？
B0: 寬度縮放係數64， 深度縮放係數3， 類別/方框層數係數 3， 輸入尺度512
B6: 通道數係數64*1.35^6=387 384， 網絡層數3+6=9 8， 類別/方框層數3+6/2 = 6 5 輸入 512+6*128 = 1280
9.什麼是學習率，的餘弦衰減
10. 什麼是focal loss?
11. b0 和yolov3 的準確度和性能對比如何？
準確度差不多，b0比yolov3 少28倍
12. efficientdet用於物體檢測用了哪些特徵層， 做語義分割用了哪些層？
p3-p7, p2-p7
13.什麼是深度可分離卷積？
可分離指的是對輸入特徵，逐通道做一個卷積，所以輸出通道等於輸入通道，最後用1x1卷積，融合多個通道特徵，並改變輸出通道數。