特征融合篇 | YOLOv8 应用 BiFPN 结构 | 《 EfficientDet: 可扩展和高效的目标检测》_yolov8特征融合

模型效率在计算机视觉中变得越来越重要。在本文中，我们系统地研究了目标检测中的神经网络架构设计选择，并提出了几种关键的优化方法来提高效率。首先，我们提出了一种加权双向特征金字塔网络（BiFPN），它可以实现简单快速的多尺度特征融合；其次，我们提出了一种复合缩放方法，同时对骨干网络、特征网络和框/类别预测网络进行分辨率、深度和宽度的均匀缩放。基于这些优化和更好的骨干网络，我们开发了一种新的目标检测器系列，称为EfficientDet，在广泛的资源限制范围内始终比之前的技术实现更高的效率。特别地，在单一模型和单一尺度下，我们的EfficientDet-D7在COCO test-dev上以77M参数和410B FLOPs的状态下达到了55.1 AP的最新水平，比之前的检测器小4倍到9倍，使用的FLOPs少13倍到42倍。

论文地址：https://arxiv.org/pdf/1911.09070.pdf

代码地址：https://github.com/google/automl/tree/master/efficientdet