基于Transformer的经典目标检测之DETR

背景

DETR，即DEtection TRansformer，是由尼古拉斯·卡里翁及其团队于2020年在Facebook AI Research首次提出的，它在目标检测领域开创了一种新的波潮。

虽然目前并未保持最先进（State Of The Art）的地位，但DETR对目标检测任务的创新重新定义显著影响了后续的模型，例如CO-DETR，它是当前LVIS上目标检测和实例分割的最先进技术。

摆脱传统的一对多问题情景，其中每个地面真实值对应着大量的锚点候选框，DETR通过将目标检测视为一个集合预测问题，使预测和地面真实值之间实现一对一的对应关系，从而消除了对某些后处理技术的需求。

目标检测回顾

目标检测是计算机视觉领域的一个子领域，专注于在图像或视频帧中识别和定位对象。它不仅仅对对象进行分类，还提供了一个边界框，指示对象在图像中的位置，从而使系统能够理解各个识别对象的空间上下文和位置。

Yolo5视频分割

目标检测本身非常有用，例如在自动驾驶中，但它也是实例分割的预备任务，其中我们试图寻找对象的更精确轮廓，同时能够区分不同实例（与语义分割不同）。

揭秘非最大抑制

非最大抑制（NMS）长期以来一直是目标检测算法中的基石，在后处理中执行不可或缺的角色，以精炼预测输出。在传统的目标检测框架中，模型在潜在对象区域周围提出了大量边界框，其中一些不可避免地表现出重叠度很大（如上图所示）。

NMS通过保留具有最大预测目标分数的边界框，同时抑制表现出高度重叠的相邻边界框来解决这个问题，其重叠程度由IoU（交并比）度量量化。具体而言，给定一个预先设定的IoU阈值，NMS迭代地选择具有最高置信度分数的边界框，并使IoU超过此阈值的边界框失效，确保每个对象有唯一的、高度自信的预测。尽管NMS无处不在，DETR（DEtection TRansformer）大胆地回避了传统的NMS，通过将其重新定义为一个集合预测问题，重塑了目标检测。

通过利用Transformer，DETR直接预测了一个固定大小的边界框集，并消除了传统NMS的必要性，显著简化了目标检测流程，同时保留，甚至提高了模型性能。

深入了解DETR架构

在高层次上，DETR是：

•  图像编码器（实际上是双图像编码器，因为首先有一个CNN骨干，然后是一个用于更具表达力的Transformer编码器）。

•  产生图像编码的Transformer解码器。

DETR结构

让我们更详细地了解每个部分：

1.骨干：

我们从一个具有3个彩色通道的初始图像开始：

然后，将此图像馈送到骨干，即卷积神经网络。

我们使用的典型值是C = 2048和H = W = H0 = W0 = 32。

2. Transformer编码器：

Transformer编码器理论上不是必需的，但它为骨干增加了更多的表达力，消融研究显示性能有所提高。首先，1x1卷积将高级激活图f的通道维度从C减小到较小的维度d。

但正如您所知，Transformer将输入序列的向量映射到输出序列的向量，因此我们需要折叠空间维度：

现在我们准备将其馈送到Transformer编码器。重要的是要注意，Transformer编码器仅使用自注意机制。

3. Transformer解码器：

这部分是最难理解的部分，坚持一下，如果你理解了这部分，你就理解了文章的大部分内容。解码器使用自注意和交叉注意机制的组合。它接收N个对象查询，并将每个查询转换为输出框和类别。

边界框预测是什么样子的呢？实际上由两个组件组成：

• 一个边界框有一些坐标（x1，y1，x2，y2）来标识边界框。

• 一个类别（例如海鸥，但也可以是空的）

重要的是N是固定的。这意味着DETR始终准确预测N个边界框。但其中一些可以是空的。我们只需要确保N足够大，以覆盖图像中的足够多的对象。然后，交叉注意机制可以关注由编码部分（骨干+Transformer编码器）产生的图像特征。

详细的注意力机制

在原始的Transformer架构中，我们生成一个令牌，然后使用自注意力和交叉注意力的组合来生成下一个令牌，然后重复。但在这里，我们不需要这种递归的形式，我们可以一次性生成所有输出，以便利用并行性。

主要创新：二分图匹配损失

如前所述，DETR精确地产生N个输出（边界框+类别）。但每个输出仅对应一个地面真实值。如果您记得的话，这正是重点所在，我们不想应用任何后处理来过滤重叠的边界框。

我们基本上希望将每个预测与最接近的地面真实值关联起来。实际上，我们正在寻找预测集和地面真实值集之间的双射，最小化总损失。

那么我们如何定义这个损失呢？

1. 匹配损失（成对损失）

首先，我们需要定义一个匹配损失，它对应于一个预测框和一个地面真实框之间的损失，并且这个损失需要考虑两个组成部分：

• 分类损失（预测边界框内的类别是否与地面真实值相同）

• 边界框损失（边界框是否接近地面真实值）

匹配损失

更确切地说，对于边界框组件，有两个子组件：

• 交并比损失（IOU）

• L1损失（坐标之间的绝对差异）

  

2. 双射的总损失

要计算总损失，我们只需对N个实例求和：

因此，我们的问题基本上是找到最小化总损失的双射：

性能见解

DETR与Faster RCNN的性能

• DETR：这是指原始模型，它使用Transformer进行目标检测，并使用ResNet-50作为骨干。

• DETR-R101：这是DETR的变体，使用ResNet-101作为骨干，而不是ResNet-50。这里，“R101”代表“ResNet-101”。

• DETR-DC5：这个版本的DETR在其ResNet-50骨干中使用了修改后的扩张C5阶段，通过增加特征分辨率，提高了模型对较小对象的性能。

• DETR-DC5-R101：这个变体结合了这两个修改。它使用ResNet-101骨干，并包含扩张的C5阶段，从而既受益于更深的网络，又受益于增加的特征分辨率。

DETR在大型对象上明显优于基线，这很可能是由Transformer允许的非局部计算所致。但有趣的是，DETR在小型对象上的性能较低。

为什么在这种情况下注意力机制如此强大？

重叠实例上的注意力

非常有趣的是，我们可以观察到在重叠实例的情况下，注意力机制能够正确分离单个实例，如上图所示。

在极端位置上的注意力机制

还很有趣的是，注意力集中在对象的极端位置上，以生成边界框，这正是我们期望的。

总结

DETR不仅仅是一个模型；它是一种范 Paradigm 转变，将目标检测从一对多的问题转变为一个集合预测问题，有效利用Transformer架构的进步。自提出以来，已经出现了一些增强型模型，如DETR++和CO-DETR，它们现在在LVIS数据集上引领着实例分割和目标检测的最新技术。

·  END  ·

HAPPY LIFE

本文仅供学习交流使用，如有侵权请联系作者删除