互联网是高科技的产物，是历史发展、社会进步、人类智慧的结晶；是人类迄今所拥有的容量最大、内容最广、传递速度最快的信息中心。全球每天有四亿人使用互联网，上网人数占世界人口的百分之6.互联网为我们了解时事、学习知识、与人沟通、休闲娱乐等提供了便捷的条件，接下来这篇文章给大家说说互联网科技的一角。

Google Brain小组和Google AI的成员本周开放了EfficientDet的源代码，EfficientDet是一种AI工具，可以在不使用任何计算的情况下实现最先进的对象检测。该系统的创建者说，与其他流行的异物检测模型(如YOLO或AmoebaNet)一起使用时，与CPU或GPU一起使用时，它还可以实现更快的性能。

当执行与对象检测有关的另一任务语义分割任务时，EfficientDet也可实现出色的性能。语义分割实验进行了PASCAL视觉对象挑战数据集。

EfficientDet是EfficientNet的下一代版本，EfficientNet是去年用于Coral板的一系列高级对象检测模型。Google工程师Mingming Tan，Google Ruoming Pang和Quoc Le在去年秋天首次发表的一篇论文中详细介绍了EfficientDet ，但周日对其进行了修订和更新以包括代码。

“研究旨在优化准确性和效率，我们希望开发一种能够满足广泛资源约束的模型系列，”该论文研究了用于对象检测的神经网络架构设计。

作者说，缩放对象检测的现有方法通常会牺牲准确性，或者会占用大量资源。EfficientDet通过“统一扩展所有骨干网，特征网络和框/类预测网络的分辨率，深度和宽度的方法”，实现了在边缘或云中部署对象检测的较便宜且耗费资源的方式。同时。”

论文读到：“大模型尺寸和昂贵的计算成本阻碍了它们在许多实际应用中的部署，例如机器人技术和自动驾驶汽车，在这些应用中，模型尺寸和等待时间受到严格限制。” “鉴于这些现实世界中的资源限制，模型效率对于对象检测变得越来越重要。”

EfficientDet的优化从Tan和Le在EfficientNet上的原始工作中获得启发。并建议对骨干网和功能网进行联合复合缩放。在EfficientDet中，双向特征金字塔网络(BiFPN)充当特征网络，而ImageNet预先训练的EfficientNet充当骨干网络。

EfficientDet通过删除仅具有一个输入边的节点来创建更简单的双向网络，从而部分地优化了跨尺度连接。它还依赖于一级检测器范例，这是一种以效率和简便性着称的对象检测器。

该论文写道：“我们建议在特征融合过程中为每个输入增加额外的权重，并让网络学习每个输入特征的重要性。”

这是Google的最新物体检测新闻，该公司的Google Cloud Vision物体检测系统最近删除了其公开API的公母标签选项。