efficientdet问答

EfficientDet: Scalable and Efficient Object Detection

https://arxiv.org/abs/1911.09070

1.文章采用了哪些主要优化方法，提高性能

  1）使用bifpn, 2)使用了复合缩放办法，，对主干、特征网络、方框/分类预测网络一致的缩放：尺度、深度、宽度

2.什么是一阶段的目标检测？

  直接基于anchor预测，不产生proposal network,例如ssd

3.什么是anchor-free的目标检测？

   不用anchor, 直接回归物体的定点

4.efficientdet是否开源了语义检测部分，论文中提到比deeplabv3+,更准，但是参数少了9.8倍？

    没有开源

5.传统自顶向下的fpn，信息流是单向的，怎么解释？

  这里应该指从主干出来的特征层，组成的网络

6.biFPN 首先去掉了PANET的单输入节点，然后同一个尺度的特征，加入了直连， 请问PANET中有哪些是单输入节点？  

   P7后面的节点，以及P3后面的后面的节点

7. biFPN中加入权值的特征融合，是w0 x0 + w1 x1的方式吗？w的取值范围是多少？

  不是，因为这样w取值范围很大，训练很不稳定； w>=0,使用了relu

   使用softmax方式，运算量很大，所以采用了w0/(w0+w1)的方式归一化

8.使用efficientdet 里面深度等计算公式，计算b0, b7的 宽度，深度，尺度的缩放系数？

  B0:  宽度缩放系数64， 深度缩放系数3， 类别/方框层数系数 3， 输入尺度512

  B6: 通道数系数64*1.35^6=387 384， 网络层数3+6=9  8， 类别/方框层数3+6/2 = 6  5 输入 512+6*128 = 1280

9.什么是学习率，的余弦衰减

 10. 什么是focal loss?

  11. b0 和yolov3 的准确度和性能对比如何？

  准确度差不多，b0比yolov3 少28倍

12. efficientdet用于物体检测用了哪些特征层， 做语义分割用了哪些层？

   p3-p7, p2-p7

13.什么是深度可分离卷积？

  可分离指的是对输入特征，逐通道做一个卷积，所以输出通道等于输入通道，最后用1x1卷积，融合多个通道特征，并改变输出通道数。