本地电脑做服务器建网站宁波seo推广优化哪家强

DETR 是首次将 Transformer结构首次应用到视觉 目标检测中，实现 端到端的目标检测。

传统目标检测路线（yolo代表），大都是：
1、经过卷积模块生成多尺度特征图。
2、特征图上对预置的anchor框进行分类和回归任务。
3、对预测的冗余结果进行NMS处理。

以上流程看起里比较繁琐，为此如果能省去人为干预的预置anchor和后端的NMS，实现端到端，简化整体流程则是一件美妙的事情，DETR就是干这事的。

DETR总体流程

DETR总体流程如上：

1、图像经过CNN backbone 提取特征图。
2、特征展平送到Transformer结构网络中。有关Transformer介绍参考：Transformer理解
3、通过query object和匈牙利匹配的方式进行loss计算。

DETR 中 transformer 结构

对于经典Transformer 这里就不重复介绍。自注意公式为:

$O=softmax(Q\ast K^T/\sqrt{d_k})\ast V$

当图像经过CNN backbone 卷积后生成的特征图，假设特征图大小为：H * W * C, 把特征展平为 (HW) * C, 就得到L=HW个特征点。把每个特征点当做一个词x，作为Transformer的输入，就等同于自然语言处理的Transformer。
可以看到，经过self-attention 结构，所有的特征点之间都会计算自注意力权重。计算量则为$O(H\ast W\ast C{)}^2)$

从结构上看，positional encoding在原本的transformer中是直接与input embeding相加，但是在DETR中，是加在特征的Q和K上。

在输出的分支上，DETR利用FFN引出了两个分支，一个做分类，一个做BBox的回归。

encoder

EncoderLayer由四个部分组成：多头注意力机制模块、Add & Norm模块、前向传播模块，一共有6层。

CNN backbone 输出特征图展平 : （B，L ，hidden_dim），B为batchsize, L = H*W 特征图大小，hidden_dim特征向量维度。

进入encoder 需要三个输入：

（1）、输入向量X （图像特征）：shape=（B，L ，hidden_dim）
（2）、位置编码：shape=（B，L ，hidden_dim）
（3）、mask：shape=（B，L ）

进入encoder:

1、将X分成三份，一份直接作为V值向量，其余两份与位置编码向量直接相加，分别作为K（键向量），Q(查询向量)。
2、将KVQ输入多头注意力模块，输出一个src1，shape=（B，L ，hidden_dim）
3、与原src直接相加短接；
4、进行第1次LN （层一化）；
5、linear，Relu激活，dropout，linear还原维度，dropout，再与输入短接。
6、进行第2次LN （层一化）；
7、进入下一个encoder。
8、N（N=6）个encoder 堆叠后输出。encoder 结束。

对于层归一化解释：
层归一化（LN） 与批归一化（BN）区别：
BN ： 在同一通道上对所有batch 做归一化，目的是让这个通道的数据分布均衡。
LN： 在同一batch上对所有通道做归一化，让网络更快、更稳定地收敛。

decoder

decoder 的结构和encoder 相似。在结构上decoder比encoder多一个多头注意力机制和Add & Norm,目的是对query embedding 和 query pos 进行学习。
decoder 的每一层输入除了上一层输出外，还要单独重新加入query pos 和 encoder 的positional encoding。

所以decoder 的输入包括：

query embedding 也就是 object query: shape=（B，num_queries ，hidden_dim）
query pos: shape=（B, num_queries,hidden_dim）
encoder的输出 : shape=（B，L ，hidden_dim）
encoder pos：shape=（B，L ，hidden_dim）

Obeject Query

什么是Obeject Query ？positional encodings是对feature的编码，类似，Obeject Query就相当对anchor 的编码，而且是一个可学习的。好比目标检测中的anchor, 只不过它的位置和大小都不是固定的，是一个学习的参数。训练初始化时是随机参数，但模型训练结束后，Obeject Query参数也就固定下来。
Obeject Query的具体表现形式是query embeding，在源代码中，这是一个torch.nn.Embedding的对象，官方介绍：一个保存了固定字典和大小的简单查找表。

进入 decoder：
1、类似encoder 的 X输入， query embedding（第一次输入是query embeding，第二次是上一层的输出out） 分为3份，其中两份与 query pos 相加得到Q, K;
2、将Q,K,V 送入第一个multihead attention 模块，得到第一个多头输出，shape = （B，num_queries ，hidden_dim）
3、将第一个多头输出进行dropout后与out相加，然后经过第一个LN输出，记为 O。
4、 将O 与query pos 相加作为第二个multihead 的Q, encoder 输出与 encoder pos 相加作为K，encoder 输出做为V。第二个多头与encoder 一模一样。得到输出作为下一个decoder 的query embedding。
5、重复N（N=6)次得到decoder 输出，shape=（B, num_queries,hidden_dim）
6、将output堆叠成一个（B, N, num_queries,hidden_dim）的向量后输出

HEAD

FFN

就是两个全连接层，分别进行分类和bbox坐标的回归。
分类全连接：（B, N, num_queries,hidden_dim） -> （B, N, num_queries,num_classs)
回归全连接：（B, N, num_queries,hidden_dim） -> （B, N, num_queries,4)

LOSS

分类loss：CEloss(交叉熵损失)；
回归loss：包括预测框与GT的中心点和宽高的L1 loss以及GIoU loss

正负样本分配

匈牙利匹配：简单暴力。
预测出来的100个框与ground truth做二分类匹配，按照最小权重原则，没有匹配上的款当做背景负样本处理。

简单的demo

class DETRdemo(nn.Module):"""Demo DETR implementation.Demo implementation of DETR in minimal number of lines, with thefollowing differences wrt DETR in the paper:* learned positional encoding (instead of sine)* positional encoding is passed at input (instead of attention)* fc bbox predictor (instead of MLP)The model achieves ~40 AP on COCO val5k and runs at ~28 FPS on Tesla V100.Only batch size 1 supported."""def __init__(self, num_classes, hidden_dim=256, nheads=8,num_encoder_layers=6, num_decoder_layers=6):super().__init__()# create ResNet-50 backboneself.backbone = resnet50()    #backbone选择的是resnet50del self.backbone.fc                 #去掉resnet50的全连接层# create conversion layerself.conv = nn.Conv2d(2048, hidden_dim, 1)    #1*1卷积进行降维，形成hidden_dim个channel的特征向量# create a default PyTorch transformerself.transformer = nn.Transformer(hidden_dim, nheads, num_encoder_layers, num_decoder_layers)   #transformer模块# prediction heads, one extra class for predicting non-empty slots# note that in baseline DETR linear_bbox layer is 3-layer MLPself.linear_class = nn.Linear(hidden_dim, num_classes + 1)          #分为两个分支，一个分支预测类别（为什么加1呢，因为对与背景，实际上给了一个$的类别）self.linear_bbox = nn.Linear(hidden_dim, 4)                                          #预测bbox# output positional encodings (object queries)self.query_pos = nn.Parameter(torch.rand(100, hidden_dim))# spatial positional encodings# note that in baseline DETR we use sine positional encodingsself.row_embed = nn.Parameter(torch.rand(50, hidden_dim // 2))self.col_embed = nn.Parameter(torch.rand(50, hidden_dim // 2))def forward(self, inputs):# propagate inputs through ResNet-50 up to avg-pool layerx = self.backbone.conv1(inputs)x = self.backbone.bn1(x)x = self.backbone.relu(x)x = self.backbone.maxpool(x)x = self.backbone.layer1(x)x = self.backbone.layer2(x)x = self.backbone.layer3(x)x = self.backbone.layer4(x)# convert from 2048 to 256 feature planes for the transformerh = self.conv(x)# construct positional encodingsH, W = h.shape[-2:]pos = torch.cat([self.col_embed[:W].unsqueeze(0).repeat(H, 1, 1),self.row_embed[:H].unsqueeze(1).repeat(1, W, 1),], dim=-1).flatten(0, 1).unsqueeze(1)# propagate through the transformerh = self.transformer(pos + 0.1 * h.flatten(2).permute(2, 0, 1),self.query_pos.unsqueeze(1)).transpose(0, 1)# finally project transformer outputs to class labels and bounding boxesreturn {'pred_logits': self.linear_class(h), 'pred_boxes': self.linear_bbox(h).sigmoid()}

不足之处

1、DETR 在检测大目标方面效果很好，但是对于小目标检测的效果不是很理想。
2、由于DETR在 HW特征图上做自注意力，当输入图像很大时，计算量很大， 为$(HW{)}^2$,因此训练和推理非常消耗时间。

deformable DETR 就是要解决以上的问题。