科技、数码、互联网新闻如今都成为了大众所关注的热点了，因为在我们的生活当中如今已经是处处与这些相关了，不论是手机也好，电脑也好，又或者是智能手表也好，与之都相关，那么今天小编也是为大家来推荐一篇关于互联网科技数码方向的文章，希望大家会喜欢哦。

Google Brain小组和Google AI的成员本周开放了EfficientDet的源代码，EfficientDet是一种AI工具，可以在不使用任何计算的情况下实现最先进的对象检测。该系统的创建者说，与其他流行的异物检测模型(如YOLO或AmoebaNet)一起使用时，与CPU或GPU一起使用时，它还可以实现更快的性能。

当执行与对象检测有关的另一任务语义分割任务时，EfficientDet也可实现出色的性能。语义分割实验进行了PASCAL视觉对象挑战数据集。

EfficientDet是EfficientNet的下一代版本，EfficientNet是去年用于Coral板的一系列高级对象检测模型。Google工程师Mingming Tan，Google Ruoming Pang和Quoc Le在去年秋天首次发表的一篇论文中详细介绍了EfficientDet ，但周日对其进行了修订和更新以包括代码。

“研究旨在优化准确性和效率，我们希望开发一种能够满足广泛资源约束的模型系列，”该论文研究了用于对象检测的神经网络架构设计。

作者说，缩放对象检测的现有方法通常会牺牲准确性，或者会占用大量资源。EfficientDet通过“统一扩展所有骨干网，特征网络和框/类预测网络的分辨率，深度和宽度的方法”，实现了在边缘或云中部署对象检测的较便宜且耗费资源的方式。同时。”

论文读到：“大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，例如机器人技术和自动驾驶汽车，在这些应用中，模型尺寸和等待时间受到严格限制。” “鉴于这些现实世界中的资源限制，模型效率对于对象检测变得越来越重要。”

EfficientDet的优化从Tan和Le在EfficientNet上的原始工作中获得启发。并建议对骨干网和功能网进行联合复合缩放。在EfficientDet中，双向特征金字塔网络(BiFPN)充当特征网络，而ImageNet预先训练的EfficientNet充当骨干网络。

EfficientDet通过删除仅具有一个输入边的节点来创建更简单的双向网络，从而部分地优化了跨尺度连接。它还依赖于一级检测器范例，这是一种以效率和简便性着称的对象检测器。

该论文写道：“我们建议在特征融合过程中为每个输入增加额外的权重，并让网络学习每个输入特征的重要性。”

这是Google的最新物体检测新闻，该公司的Google Cloud Vision物体检测系统最近删除了其公开API的公母标签选项。