Google最新提出的目标检测方法，注意：本文提出的BIFPN和EfficientDet，通过改进 FPN 中多尺度特征融合的结构和借鉴 EfficientNet 模型缩放方法，提出了一种模型可缩放且高效的目标检测算法 EfficientDet。其高精度版本 EfficientDet-D7 仅有 52M 的参数量和326B FLOPS ，在COCO数据集上实现了目前已公布论文中的最高精度 ：51.0 mAP！相比于之前的最好算法，它的参数量小 4 倍，FLOPS小9.3倍，而精度却更高（+ 0.3 ％ mAP）！

论文: EfficientDet: Scalable and Efficient Object Detection
链接: https://arxiv.org/pdf/1911.09070.pdf

话不多说，直接上效果展示图：
EfficientDet:Scalable and Efficient Object Detection　谷歌大脑最新目标检测成果，COCO 51.0 mAP！！！

从小模型低计算量模型到高精度SOTA模型，EfficientDet 搜索出来的 8 个模型一路吊打所有之前的知名算法！

主要改进点

该文一大创新点是改进了FPN中的多尺度特征融合方式，提出了加权双向特征金字塔网络BiFPN。

FPN 引入了一种自顶向下的路径，融合P3～P7的多尺度特征，下图为该文提出的BiFPN与几种FPN 改进的比较：
EfficientDet:Scalable and Efficient Object Detection　谷歌大脑最新目标检测成果，COCO 51.0 mAP！！！
（b）PANet引入了自底向上的融合路径，（c）NAS-FPN则使用神经架构搜索得到不规则的特征网络拓扑结构，（d）为作者提出的另一种改进，全连接FPN，（e）为作者提出的一种简化FPN，（f）为作者最终在 EfficientDet 使用的BiFPN。

EfficientDet 网络结构：

EfficientDet:Scalable and Efficient Object Detection　谷歌大脑最新目标检测成果，COCO 51.0 mAP！！！

实验结果

EfficientDet:Scalable and Efficient Object Detection　谷歌大脑最新目标检测成果，COCO 51.0 mAP！！！

AA代表AutoAugmentation。

EfficientDet 在与精度相当的算法相比较时，参数量小 4 到 8 倍，FLOPS小 9.7 到 28 倍，GPU下加速 1.4 到 3.2 倍，CPU下加速 3.4 到 8.1 倍。

而且 EfficientDet-D7 取得了COCO数据集上的精度新高。

与SOTA方法比较，模型Size明显更小：

EfficientDet:Scalable and Efficient Object Detection　谷歌大脑最新目标检测成果，COCO 51.0 mAP！！！
GPU计算延迟比较结果（GPU 为 Titan-V）：

EfficientDet:Scalable and Efficient Object Detection　谷歌大脑最新目标检测成果，COCO 51.0 mAP！！！
CPU计算延迟比较结果（单线程的 Xeon CPU）：

EfficientDet:Scalable and Efficient Object Detection　谷歌大脑最新目标检测成果，COCO 51.0 mAP！！！
总之，通过改进FPN多尺度融合方法和模型缩放，该文的结果非常吸引人，是最近目标检测领域的新标杆！！！