【YOLOv8改进】BiFPN：加权双向特征金字塔网络 (论文笔记+引入代码)

介绍

摘要

在计算机视觉领域，模型效率的重要性日益增加。在本文中，我们系统地研究了用于目标检测的神经网络架构设计选择，并提出了几个关键优化以提高效率。首先，我们提出了一种加权双向特征金字塔网络（BiFPN），它允许轻松快速地进行多尺度特征融合；其次，我们提出了一种复合缩放方法，该方法统一缩放了所有主干网络、特征网络以及框/类别预测网络的分辨率、深度和宽度。基于这些优化和更好的主干网络，我们开发了一种新的目标检测器系列，称为EfficientDet，它在广泛的资源约束条件下始终比先前的技术实现了更好的效率。特别是，我们的EfficientDet-D7在COCO test-dev上以单模型和单尺度实现了55.1 AP的最先

创新点

BiFPN（双向特征金字塔网络）的创新点可以从以下几个方面总结：

1. 高效的双向跨尺度连接：BiFPN的核心创新之一是双向跨尺度连接，允许特征在不同层级之间通过自上而下和自下而上的路径进行更全面的信息传递和融合。这与传统的FPN和PAN不同，后者主要采用自上而下的特征传播方式。

2. 加权特征融合：BiFPN为每条连接边引入了可学习的权重，允许模型根据不同特征的重要性自适应地调整融合方式。这种加权方法优化了多尺度特征的融合效果，提高了特征表示的准确性。