Google Brain Group和Google AI的成员本周公开了EfficientDet的源代码，这是一款无需使用任何计算就能实现最高级对象检测的AI工具。据该系统的创建者介绍，当与其他流行的异物检测模型(如YOLO或阿米巴网络)一起使用时，它也可以在与中央处理器或图形处理器一起使用时实现更快的性能。

在执行与对象检测相关的另一个任务语义分割任务时，EfficientDet也可以实现出色的性能。利用PASCAL视觉对象对数据集进行语义分割实验。

EfficientDet是EfficientNet的下一代版本，它是去年在Coral board中使用的一系列高级对象检测模型。谷歌工程师谭明明、谷歌工程师彭若明和Quoc Le在去年秋天首次发表的一篇论文中详细介绍了EfficientDet，但在周日对其进行了修改和更新，以纳入该代码。

“该研究旨在优化准确性和效率，我们希望开发一系列能够满足广泛资源限制的模型。”本文研究了用于目标检测的神经网络体系结构设计。

作者认为，现有的缩放对象检测方法通常会牺牲精度或占用大量资源。EfficientDet通过“统一扩展所有主干网络、特征网络和帧/类预测网络的分辨率、深度和宽度”，实现了一种在边缘或云中部署对象检测的更便宜、更消耗资源的方式。同时。"

该论文写道：“庞大的模型尺寸和昂贵的计算成本阻碍了它们在许多实际应用中的部署，例如机器人和自动驾驶汽车，在这些应用中，模型尺寸和等待时间受到严格限制。”“鉴于现实世界中的这些资源限制，模型效率对于对象检测变得越来越重要。”

EfficientDet优化的灵感来自于谭和乐在EfficientNet上的原创作品。建议骨干网和功能网联合扩容。在EfficientDet中，双向特征金字塔网络(BiFPN)作为特征网络，而由ImageNet训练的EfficientNet作为骨干网络。

高效检测通过删除只有一条输入边的节点来创建更简单的双向网络，从而部分优化了跨尺度连接。它还依赖于第一级检测器范例，这是一个以高效和简单著称的对象检测器。

论文写道：“我们建议在特征融合的过程中给每个输入增加额外的权重，让网络学习每个输入特征的重要性。

这是谷歌最新的物体检测消息，该公司的谷歌云视觉物体检测系统最近删除了其公共API的男性和女性标签选项。