3月19日消息，谷歌大脑和AI团队本周发布了名为EfficientDet（高效检测）的人工智能系统。该系统实现了更少的计算并获得更有效的检测目标。该系统的创建者表示，与YOLO或AmoebaNet等其他流行检测模型相比，与CPU或GPU一起使用时，它还能实现更快的性能。EfficientDet在执行另一项与对象检测相关的任务时也取得了出色的性能。使用PASCAL可视化对象、训练数据集并进行语义分割实验。EfficientDet是EfficientNet的更新版本，EfficientNet是去年为Coralboard单板计算机提供的一系列高级对象检测模型。谷歌工程师MingxingTan、RuomingPang和QuocLe在去年秋天首次发表的一篇论文中详细介绍了EfficientDet，但在周日修改和更新了论文，包括代码。“以优化准确性和效率为目标，我们希望开发一系列模型来满足使用需求，”该论文写道，该论文研究了用于对象检测的神经网络架构设计。作者说，现有的缩放对象检测方法往往会牺牲准确性，或者是资源密集型的。EfficientDet通过“同时对分辨率、深度和宽度进行多维分析并统一扩展”，实现了一种成本更低、资源占用更少的方法，可以在边缘或云端部署对象检测。昂贵的计算成本阻碍了它们在许多现实世界应用中的部署，例如机器人和自动驾驶汽车，在这些应用中，模型大小和延迟受到高度限制，”该论文写道。“鉴于这些现实世界的资源限制，模型效率变得越来越重要EfficientDet的优化受到Tan和Le在EfficientNet上的原创工作的启发，提出了骨干网络和特征网络的联合复合缩放方法。其中，双向特征金字塔网络（BiFPN）被用作特征网络，并使用ImageNet预训练的特征网络作为主干网络，EfficientDet通过移除节点w来优化跨尺度连接只有一个输入边，从而创建一个更简单的双向网络。它还依赖于单级检测器范例，这是一种以高效和简单着称的物体检测器。“我们建议在特征融合期间为每个输入添加额外的权重，以便网络可以学习每个输入特征的重要性，”论文中写道。这是来自谷歌的最新对象检测新闻，其用于对象检测的GoogleCloudVision系统最近在其公开可用的API中删除了男性和女性标签。作者：KHARIJOHNSON
