谷歌團(tuán)隊(duì)開源了AI工具EfficientDet，使用較少的計(jì)算資源實(shí)現(xiàn)最先進(jìn)的物體檢測(cè)

    在機(jī)器人和自動(dòng)駕駛汽車等諸多現(xiàn)實(shí)世界應(yīng)用中，物體檢測(cè)模型尺寸和延遲受到高度限制。而谷歌大腦和谷歌AI團(tuán)隊(duì)開源了AI工具EfficientDet，以使用較少的計(jì)算資源實(shí)現(xiàn)最先進(jìn)的物體檢測(cè)。

    據(jù)外媒報(bào)道，近日，谷歌大腦和谷歌AI團(tuán)隊(duì)們開源AI工具EfficientDet。該工具可以使用較少的計(jì)算資源實(shí)現(xiàn)最先進(jìn)的物體檢測(cè)。該系統(tǒng)的創(chuàng)建者表示，與YOLO或AmoebaNet等其他物體檢測(cè)模型相比，該系統(tǒng)與CPU或GPU一起使用時(shí)，還能實(shí)現(xiàn)更快的性能。

    在進(jìn)行另一項(xiàng)與物體檢測(cè)相關(guān)的語義分割時(shí)，EfficientDet也表現(xiàn)出優(yōu)異的性能。系統(tǒng)利用PASCAL使目標(biāo)挑戰(zhàn)數(shù)據(jù)集可視化，從而進(jìn)行語義分割實(shí)驗(yàn)。

    EfficientDet是EfficientNet的更新版本，該版本是去年為Coral單板計(jì)算機(jī)提供的一系列高級(jí)目標(biāo)檢測(cè)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(xì)闡述了EfficientDet，但近期對(duì)其進(jìn)行了修改和更新。

    該論文研究了用于物體檢測(cè)的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)設(shè)計(jì)，論文中寫道，“我們以優(yōu)化準(zhǔn)確性和效率為目標(biāo)，希望開發(fā)一系列模型，以滿足資源受限的應(yīng)用需求。”作者表示，現(xiàn)有的縮放物體檢測(cè)方法往往會(huì)犧牲準(zhǔn)確性，或者會(huì)耗費(fèi)大量資源。而EfficientDet使用成本更低、資源消耗更少的方法，“同時(shí)對(duì)所有骨干網(wǎng)、特征網(wǎng)絡(luò)和box/class預(yù)測(cè)網(wǎng)絡(luò)的分辨率、深度和寬度進(jìn)行統(tǒng)一縮放”，將物體檢測(cè)部署在邊緣或云上。論文還寫道，“在機(jī)器人和自動(dòng)駕駛汽車等諸多現(xiàn)實(shí)世界應(yīng)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(jì)算成本導(dǎo)致上述模型很難部署?？紤]到這些現(xiàn)實(shí)約束，目標(biāo)檢測(cè)模型的效率變得越來越重要。”

    EfficientDet的優(yōu)化靈感來自關(guān)于EfficientNet的研究，提出了骨干網(wǎng)和特征網(wǎng)的聯(lián)合復(fù)合縮放方法。其中，雙向特征金字塔網(wǎng)絡(luò)(BiFPN)作為特征網(wǎng)絡(luò)，經(jīng)過ImageNet預(yù)訓(xùn)練的EfficientNet作為骨干網(wǎng)絡(luò)。

    EfficientDet通過刪除只有一個(gè)輸入邊緣的節(jié)點(diǎn)來優(yōu)化跨尺度連接，從而創(chuàng)建更簡(jiǎn)單的雙向網(wǎng)絡(luò)。EfficientDet還依賴單級(jí)探測(cè)器范式，這是一種以效率和簡(jiǎn)單著稱的物體探測(cè)器。