Google最新提出的目標檢測方法，注意：本文提出的BIFPN和EfficientDet，通過改進 FPN 中多尺度特徵融合的結構和借鑑 EfficientNet 模型縮放方法，提出了一種模型可縮放且高效的目標檢測算法 EfficientDet。其高精度版本 EfficientDet-D7 僅有 52M 的參數量和326B FLOPS ，在COCO數據集上實現了目前已公佈論文中的最高精度 ：51.0 mAP！相比於之前的最好算法，它的參數量小 4 倍，FLOPS小9.3倍，而精度卻更高（+ 0.3 ％ mAP）！
論文: EfficientDet: Scalable and Efficient Object Detection
鏈接: https://arxiv.org/pdf/1911.09070.pdf
話不多說，直接上效果展示圖：
從小模型低計算量模型到高精度SOTA模型，EfficientDet 搜索出來的 8 個模型一路吊打所有之前的知名算法！
主要改進點
該文一大創新點是改進了FPN中的多尺度特徵融合方式，提出了加權雙向特徵金字塔網絡BiFPN。
FPN 引入了一種自頂向下的路徑，融合P3～P7的多尺度特徵，下圖爲該文提出的BiFPN與幾種FPN 改進的比較：
（b）PANet引入了自底向上的融合路徑，（c）NAS-FPN則使用神經架構搜索得到不規則的特徵網絡拓撲結構，（d）爲作者提出的另一種改進，全連接FPN，（e）爲作者提出的一種簡化FPN，（f）爲作者最終在 EfficientDet 使用的BiFPN。
EfficientDet 網絡結構：
實驗結果
AA代表AutoAugmentation。
EfficientDet 在與精度相當的算法相比較時，參數量小 4 到 8 倍，FLOPS小 9.7 到 28 倍，GPU下加速 1.4 到 3.2 倍，CPU下加速 3.4 到 8.1 倍。
而且 EfficientDet-D7 取得了COCO數據集上的精度新高。
與SOTA方法比較，模型Size明顯更小：
GPU計算延遲比較結果（GPU 爲 Titan-V）：
CPU計算延遲比較結果（單線程的 Xeon CPU）：
總之，通過改進FPN多尺度融合方法和模型縮放，該文的結果非常吸引人，是最近目標檢測領域的新標杆！！！