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
DETR - Deformable DETR - Conditional DETR相关推荐
- DETR、conditional DETR、Deformable DETR
DETR是将transformer机制应用到目标检测领域的算法模型.其主要思想是利用transformer的encoder-decoder架构,利用注意力机制来实现端到端获得目标检测的结果. DETR ...
- 通过显式寻找物体的 extremity 区域加快 DETR 的收敛：Conditional DETR
关注公众号,发现CV技术之美 本文系52CV粉丝Charles投稿. 原文:https://zhuanlan.zhihu.com/p/401916664 在这篇文章,我们解读一下我们发表在 ICCV ...
- Deformable 可变形的DETR
Deformable 可变形的DETR This repository is an official implementation of the paper Deformable DETR: Defo ...
- 论文阅读：DEFORMABLE DETR:DEFORMABLE DETR: DEFORMABLE TRANSFORMERSFOR END-TO-END OBJECT DETECTION
题目:DEFORMABLE DETR:DEFORMABLE DETR: DEFORMABLE TRANSFORMERSFOR END-TO-END OBJECT DETECTION 来源:ICLA 是 ...
- 计算机视觉算法——基于Transformer的目标检测（DETR / Deformable DETR / DETR 3D）
计算机视觉算法--基于Transformer的目标检测(DETR / Deformable DETR / DETR 3D) 计算机视觉算法--基于Transformer的目标检测(DETR / Def ...
- Deformable DETR: DEFORMABLE TRANSFORMERSFOR END-TO-END OBJECT DETECTION（论文阅读）
Deformable DETR 是商汤Jifeng Dai 团队于2021年发表在ICLR 上的文章,是针对Detr 的改进. 论文:<DEFORMABLE DETR: DEFORMABLE T ...
- 【Transformer】Deformable DETR: deformable transformers for end-to-end object detection
文章目录 一.背景和动机 二.方法 三.效果 四.可视化 论文链接:https://arxiv.org/pdf/2010.04159.pdf 代码链接:https://github.com/funda ...
- Conditional DETR浅析
文章目录 一:创新点 二:源码实现 一:创新点 这篇论文首次提出了对content_q和pos_q的解耦运算,为DAB-DETR和DN-DETR打下了基础. 论文主要解决Detr收敛速度慢的原因,故作 ...
- DETR与Deformable DETR小结
DETR与deformable DETR小结 DETR Deformable DETR DETR 论文地址https://arxiv.org/abs/2005.12872 论文解读 DETR将检测视为 ...
最新文章
- 10通信端口感叹号_BFC 系列 数字光纤放大器通信转换器代理报价
- linux centos 使用 alpine 编译的二进制文件 报错 /lib/ld-musl-x86_64.so.1: bad ELF interpreter 解决方法
- [转][linux]简单的linux下的tcp/udp
- asp.net mvc请求响应模型原理回顾
- UA MATH565C 随机微分方程V 无穷小生成算子
- c++预处理命令#pragma 用法
- 服务器内存不认硬盘_8分钟了解服务器硬件知识
- java 8 删选集合 和取集合中的字段重组成集合的使用
- Vb.Net实现图片合并(相框效果)
- html辅助方法以及常用属性值,ASP.NET MVC 2博客系列之一：强类型HTML辅助方法
- python使用phantomJS循环for爬取多个页面时，解决内存持续变大而报错“ConnectionResetError: [WinError 10054]远程主机强迫关闭了一个现有的连接”的问题
- Struts2中的ModelDriven机制及其运用
- SQL server 2008 中的五个系统数据库详解
- 艰难时局下电子发现蓬勃发展
- Java网络编程IO模型 --- BIO、NIO、AIO详解
- 给小朋友讲故事——第一次世界大战（音频）
- Centernet 生成高斯热图
- 《小岛经济学》八、金本位的破灭、房地产的泡沫
- 写论文 参考文献引用 谷歌学术 规范格式 一键生成
- Vue3.0的插槽是如何实现的？