EfficientDet特点：
上图中，FPN是特征将金字塔网络，PANet是基于FPN的改进，NAS-FPN是使用网络搜索的方式自动确定特征融合的方式（可解释性差），BiFPN是EfficientDet中采用的特征融合方式。
FPN特征融合计算方法如下：
其中，Resize可以是反卷积模块进行上采样。
借鉴于FPN和PANet，以及NAS-FPN的融合方式，本文的BiFPN特征融合方法如下：
- 移除掉PANet中只有一个输入边的节点，也就是上图中PANet上标记removed的节点，这个设计的灵感来自于“只有一个输入就无法进行融合”的直觉。
- 增加同一层级中原始输入节点到输出节点的直连边，类似于Resnet中的short cut。也就是上图中BiFPN上P4、P5、P6层的直连线条。
- 不同于PANet模块只有一个由上至下，以及一个由下至上的路径，本文将BiFPN作为一个小的特征融合网络，并横向堆叠使用多次。
EfficientDet网络模型结构图：
带权重特征融合：
本文作者设计了三种带权重特征融合方法：
- 权重为一个标量，对特征整体进行加权融合
- 权重为一个向量，对特征的每个channel进行加权融合
- 权重为一个多维向量，对特征的每个pixel进行加权融合
对于上述三种特征融合方法，作者实验了几种融合的实现方式：
方式一：
方式二：
对学习到的参数进行softmax归一化，但是引入softmax会使训练过程变慢。
方式三：
先对学习到的
备注：以上权重归一化方式都是以BiFPN网络的节点为单位的，是在各个节点的特征融合中进行权重归一化。
上述公式是P6层两个节点的加权特征融合。
EfficientDet中resolution、width、depth混合缩放，得到不同大小的网络模型：
BackBone缩放采用与EfficientDet同样的方式：
BiFPN的width和depth缩放：
输出层预测网络的缩放：
Width缩放：
Depth缩放：
输入图像分辨率缩放：
对不不同的缩放系数，得到不同的网络模型大小D0-D7。