DETR - Deformable DETR - Conditional DETR

DETR

整体介绍：https://zhuanlan.zhihu.com/p/348060767

关于损失函数和二分图的匹配： 【论文】DETR_大白羊_Aries的博客-CSDN博客_detr object query

物体检测思路：首先使用CNN提取特征然后使用Transformer来检测物体，与之前的目标检测框架下相比，这篇文章的工作要简单很多。而且没有特别多需要调整的超参

前向过程：图1

• 首先输入CNN提取特征，提取到的特征图仍然具有图像的形式，只是通道数更深，尺寸更小，可以把特征图视为更高层次的特征表达
• 输入transformer encoder-decoder 
• 输出一系列的框(set of box predictions），这个box是一个元组里面存储了类别c和框的位置，这box的类别可能为空（具体是空还是零我也不知道torch.zeors??），那么就代表这个box内没有物体。

训练：使用二分图匹配损失 - bipartite matching loss

• 一张输入图片里有两只海鸥
• 经过前向网络现在有N组prediction (c,b)，这是一个固定的值，因为我们想要保证检测框的目标不要遗漏，
• 
  •                               所以现在的情况是这样，这张图片里其实只有两个目标
• 我们将label 做成2个海鸥label，并pad出N-2个背景label ，保证gt的数量与prediction的数量相等
• 使用匈牙利算法匹配每一个gt，匈牙利匹配算法的评估指标就是这个二分图匹配损失，具体来说，如果prediction A 和 labels B的类别不相同，bbox的位置也是千里迢迢，这个loss就hi很大，反之亦然。这个过程中还隐藏了一个惩罚手段，考虑一直海鸥被多次预测的情况，在匈牙利匹配算法中，一个gt只能被一个prediction匹配，那么多余的prediction只能去匹配pad出的背景类，那么就会造成一个相对大的loss。这时就可以理解为网络正在惩罚这种情况的发生。
• 这里没提到DETR的匈牙利匹配具体是怎么做的，我需要再看一下

Transformer内部

• 将特征图和位置编码结合 positional encoding，因为trnasformer接受的是序列化的输入
• 展平为HW * C这样的特征序列
• 输入encoder 得到相同长度的特征序列
• decoder除了接受encoder的输出之外，还会接受一组object queries 长度为n，decoder的输出长度也为n ，与object queries的长度相同

object queries 究竟是什么？

• 一组随机的向量
• 没错，这很悬，根据这位老师的说法，this is so deep learning，当然也有一个很好的解释
• 随机向量n就好像n个人在对同一张图的不同特征提问，这也是这个向量叫queries的原因，对应attention is all your need里的Q
• 有个人会对图像中左边的目标感兴趣，有的人会对上面的目标感兴趣，有的人可能会对大尺寸的目标感兴趣等等
• 我们将这n个问题输入到decoder里面，得到n个V(transformer的那个V)，然后经过deocder的注意力模式整合这些特征，比如确实发现了图片中左边有目标+发现图片上边有目标 = 图片的左上有目标。
• 从这里能看出来，object queries需要很不一样，最好能覆盖整个数据集的所有特征，课程中一直提到这些object queries是训练出来的，具体我也不知道是怎么训练出的。

文章的最后也设计了一个全景分割的网络模型搭建

———————————————————————————————————————————

Deformable DETR

DETR存在两个问题：

1）网络的设计中没有特征金字塔，在检测小物体的性能上相对较差，但一味的提高图像分辨率会带来无法接受的计算复杂度，因为DETR是全局注意力计算的Transformer，计算复杂度和图像尺寸成二次方比例关系

2）全局注意力的计算带来的另一个问题是，训练时间过长。导致训练时间过长的原因：根据self-attention的原始公式

 图1

这里面的dk是跟图像尺寸成正比关系的，如果在训练之前采用了合适的初始化方式，QK两个向量的分布基本会在（0，1）那么过大的分子会使得注意力分布图在初始化阶段无限接近于0。虽然在经过训练之后，attention能够成功集中在那些有关联的物体上，但是这个训练过程耗时过长。

针对性的提出了解决方案：

1）借鉴FPN引入多尺度的特征，具体来说就是将同一张特征图分别下采样两次，然后在这3张特征图上针对同一点计算3轮attention，这个具体实现我后面会提到。

2）如果计算复杂度太高，就舍弃了全局计算attention的设计，转而采用就近计算，同时加入多个偏移，其实我觉得这么设计是合理的，因为目标不会出现在距离太远的物体上，swin transformer也是遵循的这个思路

重头戏：有关具体实现

下面是建立在你已经熟悉了Transformer的概念和self-attention以及DETR的基础之上的。

如果忘了也不必担心，这里我放两个链接，有助于你快速回忆起来，相关概念不是很难，可以快速上手。

https://zhuanlan.zhihu.com/p/44121378

https://blog.csdn.net/longxinchen_ml/article/details/86533005

不熟悉DETR的同学可以直接去读原论文，那篇文章写的真是太牛逼了，没有太多复杂的概念

下面进入正题。

首先，对于一个经典的多头注意力的self-attention模块，他的计算应该是这样的。

 其中m代表多头注意力的个数

Wm ：每个注意力头的权重

是一个可训练的权重 在于xk相乘之后，得到了图1中的V

的计算如下

 其中U ; V都是可以训练的权重矩阵

zq * U对应了图1中的Q ，在self-attention的情况下，zq 可以被xk的转置替换。但是在cross-attention的时候，zq与xk的转置是不同的。

 我打红色圈圈的位置是在进行self-attention的计算，即同一组数据x会被复制为3份输出到Multi-Head Attention模块分别去计算QKV三个向量。

我打蓝色圈圈和绿色圈圈的地方在进行的就是cross-attention计算，具体来说由encoder来提供attention计算所需的K和V这两个向量，由decoder来提供Q这个向量，这也是transformer中encoder和decoder之间的信息交互方式。

Vm * Xk对应了图1中的K

最终还会经过一个softmax归一化到（0，1）之内。

具体概念就是算出向量z与特征图x之间的关系。

在看懂了式（1）之后，再看Deformable Attention Module的设计应该就不难理解了

 参照原文给出的参考图片

 式（2）中的代表了基础采样点的选取位置，就是左下角 Input Feature map中那个红点。

则是Head1或Head2或Head3中的三个偏移量，换句话式2中的K = 3对应了三个偏移，M =3，对应了三个Head。

那么问题就来了，这三个偏移量是怎么产生的呢？

是根据Query Feature Zq经过线性变换产生的，Zq如果在cross-attention中就是decoder中输入的序列，如果在self-attention中，就是C*HW的向量。

总之，C向量会在经过线性变换之后产生一个通道数为3MK的向量，其中2Mk会被用于产生offset，在中就是9个offset，每个offset有两个方向所以乘2。

另外MK会被用于产生，这里的产生方式就与经典的Transformer有很大不同。这里面就产生了3*3 = 9个权重，分别代表了Head1中的各个offset与zq之间的密切程度。

图中Aggreagte就是相乘再相加。

当然，还有一个问题没有解决，那就是多尺度的问题

所以文中进一步提出了Multi-scale Deformable Attention Module

 式（3）中进一步添加了一个L求和 和一个这样一个变换

L就代表将原feature map下采样了l次，

为了保证一致性，如（0，0）就代表了当前特征图的左上角，（1，1）就代表了当前特征图的右下角

是根据feature map的尺寸进行放缩的变换

下图中，就采用了三种不同尺度的特征图

 这也是整个模型的流程图，里面的紫色三角点，紫色原点，红色方格点，和右边的decoder里面的三种不同颜色的矩形框框代表啥，红色线红色图形红色框之间有啥联系，不知道你能不能理解，反正我是理解不了，你能理解了教教我，球球了😍😍😍。

其他的就没什么重要的内容了，文章中没提训练策略，可能和DETR一样吧，性能也没看，想看的朋友自己去翻翻吧

———————————————————————————————————————————

Conditional DETR

https://zhuanlan.zhihu.com/p/401916664