谷歌大脑研究人员今日开源「EfficientDet：可扩展且高效的目标检测」研究代码。以下为论文简介：在计算机视觉中，模型效率变得越来越重要。在本文中，我们系统地研究了用于目标检测的神经网络体系结构设计选择，并提出了一些关键的优化措施来提高效率。首先，我们提出了一种加权双向特征金字塔网络（BiFPN），该网络可以轻松快速地进行多尺度特征融合。其次，我们提出一种 compound scaling method，可同时对所有主干，要素网络和框 / 类预测网络的分辨率，深度和宽度进行统一缩放。基于这些优化，我们开发了一个新的目标检测器系列，称为 EfficientDet，在广泛的资源限制条件下，其效率始终比现有技术好得多。特别是，通过单模型和单比例尺，我们的 EfficientDet-D6 在具有 52M 参数和 229B FLOPs 的 COCO 数据集上实现了最新的 50.9 mAP1，与以前的最佳检测器相比，体积缩小了 4 倍，使用的 FLOP 减少了 13 倍，但仍具有更高的准确度（+ 0.2％mAP）。