YOLOv11改进 | Neck篇 | YOLOv11引入BiFPN双向特征金字塔网络
1.BiFPN先容https://i-blog.csdnimg.cn/direct/135241871b9d4e70856c9c4d87c6ff71.png
择要：模子服从在盘算机视觉中变得越来越重要。 在本文中，我们系统地研究了用于目的检测的神经网络架构筹划选择，并提出了几个提高服从的关键优化。 起首，我们提出了一种加权双向特征金字塔网络（BiFPN），它可以轻松快速地举行多尺度特征融合； 其次，我们提出了一种复合缩放方法，可以同时同一缩放全部主干网络、特征网络和框/类预测网络的分辨率、深度和宽度。 基于这些优化和更好的主干，我们开发了一个新的目的检测器系列，称为EfficientDet，它在各种资源限定下始终实现比现有技术更高的服从。 特别是，通过单模子和单尺度，我们的EfficientDet-D7 在 COCO 测试开发上实现了最先辈的 55.1AP，具有77M参数和410B FLOPs1，比以前的检测器小4至9倍，使用的FLOP数减少13至42倍。
官方论文地址：https://arxiv.org/pdf/1911.09070<
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]