（示意圖/取自pixabay）
谷歌大腦及AI團隊，在本週發表了一個叫EfficientDet（高效檢測）的人工智慧系統。
這個系統，實現較少的計算，獲得更高效的檢測目標。
該系統的創建者表示，與YOLO或AmoebaNet等其他流行的檢測模型相比，該系統與CPU或者GPU一起使用時，還能實現更快的性能。
在進行另一項與目標檢測相關的任務時，EfficientDet也取得了優異的性能。利用PASCAL可視化對象，訓練數據集，從而進行語義分割實驗。
EfficientDet是EfficientNet的更新版本，該版本是去年為Coral board單板電腦，提供的一系列高級對象檢測模型。谷歌的工程師譚明星、龐若明和Quoc Le，在去年秋天首次發表的一篇論文中，詳細闡述了EfficientDet，但在周日對論文（包括程式碼）進行了修改和更新。
「以優化準確性和效率為目標，我們希望開發一系列模型，以滿足使用需求。」論文寫道，該論文研究了用於目標檢測的神經網路體系結構設計。
作者說，現有的縮放目標檢測方法往往會犧牲準確性，或者會耗費大量資源。
EfficientDet實現了一種成本更低、資源消耗更少的方法，可以將對象檢測部署在邊緣或雲端上，其方法是「同時對所有主幹、特徵網路和box/class預測網路的分辨率、深度和寬度進行統一擴展」。
「巨大的模型尺寸和昂貴的計算成本，阻礙了它們在機器人和自動駕駛汽車等，許多現實世界應用程式中的部署，在這些應用程式中，模型尺寸和延遲受到高度限制。」論文寫道，「考慮到這些現實世界的資源約束，模型效率對於對象檢測變得越來越重要。」
EfficientDet的優化靈感，來自於Tan和Le在EfficientNet上的原創作品。提出了骨幹網和特徵網（backbone and feature networks）的聯合復合標度方法。
EfficientDet通過刪除只有一個輸入邊的節點，來優化跨尺度連接，從而創建一個更簡單的雙向網路。它還依賴於單級探測器典範，一種以效率和簡單著稱的對象探測器。
「我們建議在特徵融合時，為每個輸入增加額外的權重，讓網路瞭解每個輸入特徵的重要性。」論文寫道。
這是來自谷歌最新的目標檢測的消息，其用於目標檢測的谷歌雲端視覺系統，最近在其公開可用的API中，將男性和女性的標籤刪除。
本文為雷鋒網授權刊登，原文標題為「谷歌AI公開新一代「目標檢測」系統」