4实验
4.1 消融实验
1、Truncated feature extraction backbone
作者比较了2种压缩MobileNetV2和EfficientNet主干的方法，这两种方法降低了缩放因子(或MobileNetV2的宽度倍增器)并截断了最后的参数层，并得到了表2中的结果。值得注意的是，删节版的EfficientNet在准确性和FPS方面都优于其他版本，这样强调了分类任务特定骨干特征的负面影响。
对于MobileNetV2，在比较帧数相似的模型时，主干截断的模型比缩放因子较小的模型性能更好。例如，当比较截断主干MobileNetV2x1.4和完整主干MobileNetV2x1.0时，它们都提供了相似的FPS，而前者提供了更好的0.27 mAP。这是由于减少宽度乘法器减少了所有层的通道数量，而截断主干只删除了最后一层的特征。这种差异在低功率设备上更轻的机型上表现得更明显。例如，MobileNetV2中宽度为0.75的截断主干提供了与宽度为0.5的完整主干相似的FPS(在Jetson Nano中分别为34.02和35.18)，但在mAP中提供了2.64点的提升。
显然，当在边缘推理时，使用截断的主干更优。
2、Raw feature collection and redistribution
在深入研究表3时可以注意到，当没有其他的特性聚合方法时，特征再分配的效果要显著得多。这可以归因于这样一个事实，即在多尺度特征之间没有任何相互作用的情况下，除了通过主干本身，这种再分配提供了非常需要的特征相互作用。然而，即使使用BiFPNx3，本文方法在性能上仍然得到了显著的提升，这显示了非相邻层之间的shortcut 连接的重要性。
最后，将以上讨论的所有方法结合起来进行联合成分消融研究。结果收集于表4。从Jetson Nano的MobileNetV2(0.75)主干、Jetson Xavier NX的MobileNetV2(1.4)主干和Jetson AGX Xavier的EfficientNet-B3主干开始，以及基于YOLOv3对象检测头和轻量级检测层的PANet功能聚合。接下来，在不截断主干的情况下测试RFCR模块。虽然RFCR模块在这两种情况下表现都很好，但具有完整主干的模型FPS的下降要比具有截断主干的模型更多。这是因为完整的主干在末端有较重的层，这使得下面的特性聚合层也较重。
正如3.1节所讨论的，作者还引入了"shortcut"到RFCR模块中。这种来自主干较浅层的额外“shortcut”进一步提高了准确性，强调了low-level特征对检测任务的重要性，以及本文的设计在使用更多的主干输入特征而非输出尺度数量时所提供的自由度。综上所述，通过将主干截断和RFCR模块相结合，既能加快推理速度，又能提高精度。
3、SOTA对比
5参考
[1].YOLO-ReT: Towards High Accuracy Real-time Object Detection on Edge GPUs
