DETR（基于Transformer架构的目标检测方法开山之作）
End-to-End Object Detection with Transformers
参考：跟着李沐学AI-DETR 论文精读【论文精读】
摘要
在摘要部分作者，主要说明了如下几点：
- DETR是一个端到端（end-to-end）框架，释放了传统基于CNN框架的一阶段（YOLO等）、二阶段（FasterRCNN等）目标检测器中需要大量的人工参与的步骤，例如：NMS后处理或proposals/anchors/centers生成等。使其成为一个真正意义上的端到端（end-to-end）的目标检测框架；
- DETR还可以很方便地迁移到诸如全景分割等其他任务当中，只需要在最后的FFN（前向传播头）之后增加分割头等即可；
- DETR在当时发表出来的时候（2020年5月左右）已经达到了和经过长时间调参的FasterRCNN基线一样的精度/速度/内存占用（基准为COCO2017）；
介绍
DETR模型架构
第一步，将图片输入到一个CNN中，得到feature map。
第二步，将图片拉直，送入到transformer encoder-decoder。其中，encoder的作用是为了进一步学习全局的信息，为最后的decoder(也就是为最后的出预测框做铺垫)。使用transformer的encoder是为使得图片中每一个特征点与图片中的其他特征有交互，这样就知道了哪块是哪个物体。这种全局的特征非常有利于移除冗余的框（全局建模）。
第三步，decoder生成框的输出，其中输入decoder的不只有encoder的输出，还有object query（用来限制decoder输出多少个框），通过object query和特征不停的做交互（在decoder中间去做self-attention操作），从而得到最后输出的框（论文中，作者选择的框数量为N=100）。
第四步，计算出来的N=100个框与Ground Truth做匹配然后计算loss（本部分是DETR这篇文章中最重要的一个贡献）。作者使用二分图匹配的方法去计算loss，从而决定出在预测出来的100个框中，有哪几个框是与ground-truth框对应的。匹配之后，就会和普通的目标检测一样去计算分类的loss、再算bounding box的loss。剩下的没有匹配上的框就会被标记为没有物体，也就是所谓的背景类。
DETR推理流程
推理的时候前三步和训练时保持一样，第四步因为是test过程，因此只需要在最后的输出上设置一下置信度阈值即可得到预测框，（原始论文中，将置信度设置为0.7，即置信度大于0.7的预测就是前景物体，所有置信度小于0.7的就被当做背景）。
DETR特性
对大物体识别效果很好（归功于Transformer架构的全局建模能力，而不是像原来一样，预测的物体大小受限制于你设置的anchor大小），对小物体识别效果较差（后续的Deformable DETR就提出了多尺度的DETR，同时解决了DETR训练太慢的问题）；
相关工作
- 集合预测（因为使用集合预测来解决目标检测问题的工作其实并不多）；
- Transformer架构（同时也介绍了parallel decoding，如何不像原来的transformer一样去做自回归预测）；
- 介绍了一下目标检测之前的相关工作，其中重点引用了一篇当时最近的工作，指出原来的一阶段或二阶段的目标检测器的性能与初始的猜测（proposals/anchors/centers等）密切相关，这里作者重点想讲的就是不想使用这些复杂的人工先验知识，因此DETR在这个方面具有优势；
- 然后作者介绍了基于RNN的目标检测方法，使用的是自回归模型，时效性就比较差，性能也会比较差；DETR使用了不带掩码信息的decoder之后，可以使得预测输出同时进行，所以DETR的时效性大大增强了；
文章主体部分
作者首先介绍了基于二分图匹配的loss目标函数（因为这点比DETR这种架构来说更新，同时DETR架构是比较标准的，比较容易理解的，即便是其中的object query思想，也比较容易讲解，因此作者首先介绍了目标函数），也正是因为这种目标函数，DETR才能做到一对一的预测出框方式。
二分图匹配
举例理解：假如说有三个工人abc，然后需要完成三个工作xyz，因为所有工人的特点不一样，因此三个工人完成工作的时间等都不一致，因此对三个工人和三个不同的工作来说，会有一个 3 × 3 3\times3 3×3的矩阵，矩阵中对应的每个格子具有不同的数值（这个矩阵就叫做cost matrix，也就是损失矩阵）；那么，这个二分图匹配的最终目的是：我可以给每个工人找到最擅长的工作，然后使得这三个人完成工作之后的代价最低；
匈牙利算法就是解决这样一个问题的比较好的方式。
scripy库中，包含匈牙利算法的实现：line_sum_assignment。DETR原始论文中使用的也是这个；
这个方法返回的结果就是一个全面的排列：告诉你哪个人应该做哪个事；
其实，DETR将目标检测问题看成是集合预测问题，其中每个工人可以看成是对应的N=100的预测框，然后xyz表示GroundTruth框；
那么，这个cost matrix矩阵的每个格子中放的就是每个预测框与GroundTruth框之间的cost（也就是loss）；
这里的每个格子中表示的loss，就是分类损失和bbox loss，总的来说就是遍历所有预测的框，将这些框与GroundTruth进行计算loss，然后使用匈牙利算法得到最匹配的对应的图片中目标数量的框；
然后，作者又说，这里与一阶段/二阶段的目标检测器一样的道理，都是拿着预测出来的框与GroundTruth逐个计算loss。但是，唯一不同的地方在于DETR是只得到一对一的匹配关系，而不像之前方法一样得到一对多的匹配关系，这样DETR就不需要做后边的NMS后处理步骤。
loss目标函数
接下来，由于前边步骤得到了所有匹配的框，那么现在才计算真正的loss来做梯度回传。DETR在计算真正的loss（分类loss和bbox loss），其中对于分类loss，作者和原来的计算分类loss方法不一样，而是将DETR中这个地方的log去掉（作者发现去掉之后效果会更好一些）。然后对于bbox loss这里，与之前的loss计算方式也有所不同，原来计算bbox loss是使用L1 loss，但是l1 loss会出现框越大，计算出来的loss容易越大。而同时DETR这种基于Transformer架构的模型，对大目标（预测出大框很友好），那么得到的loss就会比较大，不利于优化。因此，作者不光使用了l1 loss，还使用了GIoU loss。这里的GIoU loss就是一个与框大小无关的loss函数。
DETR详细架构
上图中，CONV卷积神经网络的输出向量维度为：2048x25x34，然后使用1x1的卷积将该向量维度减少到256，得到256x25x34的向量，然后使用positional embeddings进行位置编码得到的向量维度也是256x25x34，然后将两个向量相加。
相加之后，将对应的256x25x34这个向量的HW维度进行拉直得到850x256的向量，其中850就是序列的长度，256就是Transformer的head dimension。然后，经过encoder仍然得到850x256的向量。DETR中作者使用了6个encoder。
然后，将最后一个encoder的输出向量（维度为：850x256），输入到decoder中。这里，一同输入的还有object queries（可以看作是learned embeddings，可学习的嵌入），准确地说，它就是一个可学习的positional embeddings。其维度为100x256。这里可以将这个object queries作为一个条件condition，就是告诉模型，我给你一个条件，你需要得到什么结果。接着，将两个输入（一个来自encoder编码器的输出，一个来自object queries）反复做cross attention自注意力操作。最后得到一个100x256的特征。
然后，将最后一个decoder的输出100x256维度的向量通过一个FFN（feed forward network，标准检测头，全连接层）。然后FFN做出来两个预测，一个是类别，一个是bbox位置。原始的DETR是在COCO2017上进行实验的，因此，这里的类别数量就是91类。
最后，将FFN的输出与Ground Truth根据匈牙利算法计算最佳匹配，然后根据最佳匹配计算loss，然后将loss反向传播，更新模型权重。
DETR中的一些细节
-
decoder部分，首先在object query做自注意力操作，目的是为了移除冗余的框。因为这些object query做自注意力操作之后，就大概之后每个query可能得到什么样的一个框。
-
最后做loss的时候，作者为了让这个模型收敛得更快或训练更稳定。作者在decoder之后加了auxiliary loss。作者在6个decoder的输出之后都做了这个loss。这里的FFN都是共享权重。
文章实验部分
首先，作者介绍了DETR和FasterRCNN在COCO数据集上的结果。发现DETR在大物体上检测的性能更好，而小物体上还是FasterRCNN模型更好一些。这说明DETR使用了Transformer架构，具有较高的全局建模能力，因此DETR想检测多大的目标就检测多大的目标，所以对大目标友好一些。
（延伸）写论文的技巧：当你的想法在一个数据集a上不work的时候，有可能在数据集b上work，如果你的想法很好，但是就是不work的时候，找到一个合适的研究动机其实也是很重要的，找到一个合适的切入点也很重要。
上图中，作者将Transformer encoder-decoder的自注意力机制可视化。可以看到自注意力机制的巨大威力，三只牛基本上的轮廓基本上都出来了。
实际上，当你使用transformer的encoder之后，图像上的东西就可以分的很开了，那么这个时候再去做检测、分割等任务就很简单了。
上图展示了不同的encoder数量对DETR最后目标检测精度AP的影响。可以发现，随着encoder层数的增加，AP精度是一直在上升的，且没有饱和的趋势，但是层数的增加带来了计算量的增加。
上图中展示了DETR中decoder attention的分布情况，可以明显看到在遮挡很严重的情况下，大象和小象身上的不同颜色注意力也是很区分开来的。总之，DETR这里的encoder-decoder架构的作用与CNN的encoder-decoder架构的作用其实差不多是一致的。
上图展示了20个object query的可视化结果，其中每个正方形代表一个object query，每个object query中出现的多个点表示bounding box。其中，绿色的点表示小目标物体，红色点表示水平方向的目标物体，蓝色点表示垂直方向的目标物体。实际上，这里的object query和一阶段目标检测器中的anchors差不多，只不过anchors是预先设定的，而这里的object query是通过学习得到的。总之，这100个query中就像100个问问题的人一样，每个人都会有不同的问问题的方式。需要注意的是，这些object query中都在中间有一个红线，这表示，每个query都会去询问图片中间是否包含大的目标物体，这是因为COCO数据集的问题，因为COCO数据集中很多图片中心都会有一些大物体。
总结
一些基于DETR改进的新工作：
Omni DETR, Up DETR, PnP DETR, Smac DETR, Deformable DETR, DAB DETR, Sam DETR, DN DETR, OW DETR, OV DETR,
pixel to sequence（把输入输出全部搞成序列形式，从而与NLP那边完美兼容）