AnyDepth-DETR/-YOLO: Any-depth object detection with a single network
本文介绍了 AnyDepth-DETR/-YOLO，这是一个框架，它通过采用可跳过的细化路径架构和自蒸馏训练来保持特征层次并确保阶段式模块化，从而使单个目标检测网络能够在推理时动态调整其深度，以覆盖连续的精度 - 效率权衡范围而无需重新训练。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你有一支由专家侦探组成的团队，试图在视频中寻找物体。通常，为了应对不同情况，你需要雇佣两支不同的团队：一支快速且灵活（适合快速检查，但可能遗漏细节），另一支缓慢且细致（精度极高，但耗时极长）。在 AI 物体检测领域，这意味着你必须构建并维护两个完全独立的计算机模型。
论文《AnyDepth-DETR/-YOLO》提出了一种新方法：一支能够瞬间改变自身规模的单一侦探团队。
以下是其工作原理，分解为简单概念：
1. 问题：“一刀切”的困境
目前，AI 模型就像静态建筑。如果你想要一座非常高的建筑（高精度），你就建造一座 20 层的楼。如果你需要一个快速、低成本的架构（高速度），你就建造一座 5 层的版本。你无法在运行时随意“拆除”高楼中的楼层而不使其倒塌，也无法凭空给矮楼“添加”楼层。因此，开发人员必须为每种不同场景训练并存储多个独立的模型。
2. 解决方案：“模块化”侦探团队
作者构建了一个像模块化建筑套装一样的网络。与其使用单一的分层块，网络的每个阶段都被拆分为两条路径：
- 核心路径（Essential Path）： 这是“必备”部分。它始终运行。可以将其视为侦探的基础训练和核心直觉。它快速且轻量。
- 精炼路径（Refinement Path）： 这是“可选”部分。它就像引入一位专家或放大镜。只有当你有额外的时间和计算能力时，它才会运行。
魔法技巧：
由于其构建方式，你可以混合搭配这些路径。
- 需要极致速度？ 仅让“核心路径”贯穿整个网络运行。
- 需要极致精度？ 运行“核心路径”加上所有“精炼路径”。
- 需要介于两者之间？ 仅开启网络前半部分的精炼路径。
最棒的是？这只是一个单一模型。 你无需重新训练它或切换文件。你只需在使用的瞬间切换开关，决定网络思考的“深度”（即多少层）。
3. 训练挑战：教导团队达成共识
你可能会想：“如果我训练一个团队以两种不同模式（快速 vs. 缓慢）工作，他们可能会感到困惑。”
- 如果“快速模式”学会忽略某个细节，但“慢速模式”需要该细节，那么权重（AI 的大脑）就会收到冲突的指令。
- 该论文使用一种称为**自蒸馏（Self-Distillation）**的技术解决了这个问题。
类比：
想象一位主厨（“超级网络”）和一位学徒厨师（“基础网络”）在同一间厨房工作。
- 主厨烹饪完整的复杂菜肴（使用所有路径）。
- 学徒烹饪简化版本（仅使用核心路径）。
- 主厨不仅仅是品尝食物；他们教导学徒。他们会说：“嘿，当你省略装饰时，确保基础味道仍然尝起来像我的菜肴，只是更简单。”
他们使用一种特殊的训练方法，让“主厨”和“学徒”不断互相检查工作，以确保即使学徒跳过了某些步骤，最终结果仍然与主厨原本会产生的结果兼容。这确保了无论日后你选择哪种“深度”，网络都不会崩溃。
4. 结果：一个模型统领全局
作者在两个著名的 AI 模型（RT-DETR 和 YOLOv12）上测试了这种方法。
- 完整版本： 当他们运行完整网络时，其表现与现有最佳模型一样出色。
- 快速版本： 当他们关闭额外的精炼路径时，模型速度提高了 1.8 倍（几乎翻倍），而仅损失了极少的精度（在标准尺度上约 2 个点）。
为什么这很重要
把它想象成智能手机摄像头。
- 在早晨，你可能只需要快速拍张快照（使用“核心路径”以追求速度）。
- 在夜晚，你可能需要一张高质量、细节丰富的照片（使用“完整路径”以追求精度）。
与其在手机上配备两个不同的摄像头，这项技术允许单一摄像头根据光线和你的需求瞬间切换模式，而无需下载新应用或更新软件。它节省了空间，节省了成本，并使 AI 在现实世界中的应用更加灵活。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。