DETR系列文章之–Co-DETR

DETR系列文章之–Co-DETR



前言

Co-DETR充分考虑了一对一标签分配和一对多标签分配的互补性,将一对多标签分配的作为监督,并行训练多个辅助头,从辅助头中提取正样本。为了提高训练效率,制定了额外的定制化正样本query

一对一标签分配:每个GT框分配给一个特定的query(DETR),较少的正query导致低效训练,从编码器生成的潜在表示和解码器中的注意力学习分析这一问题。

一对多标签分配:每个GT框分配给检测器输出的多个proposal/anchor,依赖NMS或者anchor生成(ATSS,RetinaNet,FCOS,PAA)。

代码地址
论文地址
CSDN解读


一、Co-DETR简介

1.网络模型

在这里插入图片描述
标准的DETR,输入image经过backbone网络和encoder生成潜在特征,多个预定义的query通过cross-attention在decoder中进行交互。Co-DETR通过协同混合分配训练方案定制的正query来改善encoder中的特征学习和decoer中的注意力学习

2.协同混合分配训练

不同的一对多标签分配,丰富对编码器输出的监督,迫使它具有足够的区分度来支持辅助头的训练收敛。给定编码器潜在特征F,通过多尺度适配器转化为特征金字塔(F1, F2, … Fj),将(F1, F2, … Fj)输入Ak(相应的标签分配方式)获得预测值Pi^,利用Ai计算Pi ^和G的二值匹配,得到相应坐标中的正负样本监督目标。
在这里插入图片描述
其中{pos}和

  • 10
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

猫撞

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值