雷鋒網(wǎng)3月19日消息，谷歌大腦及AI團隊，在本周發(fā)布了一個叫EfficientDet（高效檢測）的人工智能系統(tǒng)。

這個系統(tǒng)，實現(xiàn)較少的計算，獲得更高效的檢測目標。

該系統(tǒng)的創(chuàng)建者表示，與YOLO或AmoebaNet等其他流行的檢測模型相比，該系統(tǒng)與CPU或者GPU一起使用時，還能實現(xiàn)更快的性能。

在進行另一項與目標檢測相關(guān)的任務(wù)時，EfficientDet也取得了優(yōu)異的性能。利用PASCAL可視化對象，訓(xùn)練數(shù)據(jù)集，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 board單板計算機，提供的一系列高級對象檢測模型。谷歌的工程師譚明星、龐若明和Quoc Le在去年秋天首次發(fā)表的一篇論文中詳細闡述了EfficientDet，但在周日對論文（包括代碼）進行了修改和更新。

“以優(yōu)化準確性和效率為目標，我們希望開發(fā)一系列模型，以滿足使用需求?！闭撐膶懙?，該論文研究了用于目標檢測的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)設(shè)計。

作者說，現(xiàn)有的縮放目標檢測方法往往會犧牲準確性，或者會耗費大量資源。EfficientDet實現(xiàn)了一種成本更低、資源消耗更少的方法，可以將對象檢測部署在邊緣或云上，其方法是“同時對所有主干、特征網(wǎng)絡(luò)和box/class預(yù)測網(wǎng)絡(luò)的分辨率、深度和寬度進行統(tǒng)一擴展”。

“巨大的模型尺寸和昂貴的計算成本阻礙了它們在機器人和自動駕駛汽車等許多現(xiàn)實世界應(yīng)用程序中的部署，在這些應(yīng)用程序中，模型尺寸和延遲受到高度限制，”論文寫道?！翱紤]到這些現(xiàn)實世界的資源約束，模型效率對于對象檢測變得越來越重要。”

EfficientDet的優(yōu)化靈感來自于Tan和Le在EfficientNet上的原創(chuàng)作品。提出了骨干網(wǎng)和特征網(wǎng)（backbone and feature networks）的聯(lián)合復(fù)合標度方法。其中，雙向特征金字塔網(wǎng)絡(luò)(BiFPN)作為特征網(wǎng)絡(luò)，ImageNet預(yù)訓(xùn)練的特征網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)。

EfficientDet通過刪除只有一個輸入邊的節(jié)點來優(yōu)化跨尺度連接，從而創(chuàng)建一個更簡單的雙向網(wǎng)絡(luò)。它還依賴于單級探測器范式，一種以效率和簡單著稱的對象探測器。

“我們建議在特征融合時為每個輸入增加額外的權(quán)重，讓網(wǎng)絡(luò)了解每個輸入特征的重要性，”論文寫道。

這是來自谷歌最新的目標檢測的消息，其用于目標檢測的谷歌云視覺系統(tǒng)，最近在其公開可用的API中，將男性和女性的標簽刪除。

作者KHARI JOHNSON，來自VENTUREBEAT.雷鋒網(wǎng)、公眾號雷鋒網(wǎng)

原文鏈接：https://venturebeat.com/2020/03/18/google-ai-open-sources-efficientdet-for-state-of-the-art-object-detection/

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。