一、BiFPN
1、加权双向特征金字塔：改进传统的特征金字塔，支持高下哦的多尺度的特征融合，
2、复合缩放方法：同时缩放网络，特征金字塔，检测头分辨率
二、现有问题
1、单阶段检测器：简洁的设计，更高的精度，
2、多尺度表示：自下而上的融合路径，后续也有改进融合结构，但是特征权重处理不好，融合效果不好
3、模型缩放：现有方法都是增大模块去提高精度。
三、BIFPN优化核心
1、跨尺度链接优化
2、移除仅仅一个输入的节点，
3、增加原始输入--到输出节点的额外线路，强化跨尺度的信息流动，
4、重复双向路径，多次融合，提升特征的交互效果
5、加权特征融合：BIFPN为每个输入特征的学习权重，去实现自适应加权融合，提升融合效果
四、EfficientDet 架构
1、整体框架：以单节段检测，以该模块为骨干网络，Bifpn为融合特征网络
2、流程：骨干网络输出p3-p7，BIFPN通过双向路径融合特征，最后有检测头分类回归
3、设计特点：检测头，权重再所有特征层共享，简化结构
五、三种加权特征融合方式
三、符合缩放方法，
1、骨干网络使用缩放系数。
2、BIFPN
3、检测头，宽度与 BIFPN一致，保证特征匹配
三、核心结论
EfficientDet 的EfficientNet 骨干网络与BiFPN 特征融合是实现 "高精度 - 高效率" 的核心，同时其加权融合方式与复合缩放策略进一步强化了资源利用率，是目标检测领域高效架构的典范