谷歌團隊開源了AI工具EfficientDet，使用較少的計算資源實現(xiàn)最先進的物體檢測

    在機器人和自動駕駛汽車等諸多現(xiàn)實世界應用中，物體檢測模型尺寸和延遲受到高度限制。而谷歌大腦和谷歌AI團隊開源了AI工具EfficientDet，以使用較少的計算資源實現(xiàn)最先進的物體檢測。

    據外媒報道，近日，谷歌大腦和谷歌AI團隊們開源AI工具EfficientDet。該工具可以使用較少的計算資源實現(xiàn)最先進的物體檢測。該系統(tǒng)的創(chuàng)建者表示，與YOLO或AmoebaNet等其他物體檢測模型相比，該系統(tǒng)與CPU或GPU一起使用時，還能實現(xiàn)更快的性能。

    在進行另一項與物體檢測相關的語義分割時，EfficientDet也表現(xiàn)出優(yōu)異的性能。系統(tǒng)利用PASCAL使目標挑戰(zhàn)數(shù)據集可視化，從而進行語義分割實驗。

    EfficientDet是EfficientNet的更新版本，該版本是去年為Coral單板計算機提供的一系列高級目標檢測模型。谷歌工程師在去年秋天首次發(fā)表的一篇論文中詳細闡述了EfficientDet，但近期對其進行了修改和更新。

    該論文研究了用于物體檢測的神經網絡體系結構設計，論文中寫道，“我們以優(yōu)化準確性和效率為目標，希望開發(fā)一系列模型，以滿足資源受限的應用需求。”作者表示，現(xiàn)有的縮放物體檢測方法往往會犧牲準確性，或者會耗費大量資源。而EfficientDet使用成本更低、資源消耗更少的方法，“同時對所有骨干網、特征網絡和box/class預測網絡的分辨率、深度和寬度進行統(tǒng)一縮放”，將物體檢測部署在邊緣或云上。論文還寫道，“在機器人和自動駕駛汽車等諸多現(xiàn)實世界應用中，模型尺寸和延遲受到高度限制，而巨大的模型尺寸和昂貴的計算成本導致上述模型很難部署?？紤]到這些現(xiàn)實約束，目標檢測模型的效率變得越來越重要。”

    EfficientDet的優(yōu)化靈感來自關于EfficientNet的研究，提出了骨干網和特征網的聯(lián)合復合縮放方法。其中，雙向特征金字塔網絡(BiFPN)作為特征網絡，經過ImageNet預訓練的EfficientNet作為骨干網絡。

    EfficientDet通過刪除只有一個輸入邊緣的節(jié)點來優(yōu)化跨尺度連接，從而創(chuàng)建更簡單的雙向網絡。EfficientDet還依賴單級探測器范式，這是一種以效率和簡單著稱的物體探測器。