Transformer实战-系列教程17：DETR 源码解读4（Joiner类/PositionEmbeddingSine类/位置编码/backbone）

🚩🚩🚩Transformer实战-系列教程总目录

有任何问题欢迎在下面留言
本篇文章的代码运行界面均在Pycharm中进行
本篇文章配套的代码资源已经上传
点我下载源码

DETR 算法解读
 DETR 源码解读1（项目配置/CocoDetection类）
DETR 源码解读2（ConvertCocoPolysToMask类）
DETR 源码解读3（DETR类）
DETR 源码解读4（Joiner类/PositionEmbeddingSine类/位置编码/backbone）

5、Joiner类

位置：models/backbone.py/Joiner类

python 复制代码

class Joiner(nn.Sequential):
    def __init__(self, backbone, position_embedding):
        super().__init__(backbone, position_embedding)
    def forward(self, tensor_list: NestedTensor):
        xs = self[0](tensor_list)
        out: List[NestedTensor] = []
        pos = []
        for name, x in xs.items():
            out.append(x)
            pos.append(self[1](x).to(x.tensors.dtype))
        return out, pos

定义Joiner类，继承自PyTorch的nn.Sequential
构造函数
初始化
前向传播函数，接收一个类型为NestedTensor的参数tensor_list
xs，self[0] 指的是nn.Sequential容器中的第一个模块，根据__init__方法中的定义，这是backbone模块。所以，self[0](tensor_list)表示对输入的tensor_list执行backbone模块的前向传播
初始化一个空列表out，用于存储backbone输出的特征
pos = \[\]**：初始化一个空列表pos，用于存储由position_embedding`生成的位置编码
遍历xs
将当前层的输出x添加到out列表中
self[1] 指的是nn.Sequential容器中的第二个模块，根据初始化时的顺序，这是position_embedding模块。因此，self[1](x)表示对backbone的输出x执行position_embedding模块的前向传播
out、pos

6、PositionEmbeddingSine类

位置：models/position_encoding.py/PositionEmbeddingSine类

DETR提供了两种位置编码方式，一种是和Transformer一样的正余弦，另一种是可学习的位置编码方式，下面是和Transformer一样的正余弦

6.1 构造函数

python 复制代码

class PositionEmbeddingSine(nn.Module):
    def __init__(self, num_pos_feats=64, temperature=10000, normalize=False, scale=None):
        super().__init__()
        self.num_pos_feats = num_pos_feats
        self.temperature = temperature
        self.normalize = normalize
        if scale is not None and normalize is False:
            raise ValueError("normalize should be True if scale is passed")
        if scale is None:
            scale = 2 * math.pi
        self.scale = scale

继承nn.Module的类
构造函数
初始化
num_pos_feats ，每个位置特征数量的一般
temperature ，缩放因子，用于调整位置编码的频率
normalize ，是否对位置坐标进行归一化
scale，在归一化位置坐标时使用的额外缩放因子
验证scale和normalize参数的兼容性
设置scale的默认值为2 * math.pi，如果未提供

6.2 前向传播

python 复制代码

    def forward(self, tensor_list: NestedTensor):
        x = tensor_list.tensors
        mask = tensor_list.mask
        assert mask is not None
        not_mask = ~mask
        y_embed = not_mask.cumsum(1, dtype=torch.float32)
        x_embed = not_mask.cumsum(2, dtype=torch.float32)
        if self.normalize:
            eps = 1e-6
            y_embed = y_embed / (y_embed[:, -1:, :] + eps) * self.scale
            x_embed = x_embed / (x_embed[:, :, -1:] + eps) * self.scale
        dim_t = torch.arange(self.num_pos_feats, dtype=torch.float32, device=x.device)
        dim_t = self.temperature ** (2 * (dim_t // 2) / self.num_pos_feats)
        pos_x = x_embed[:, :, :, None] / dim_t
        pos_y = y_embed[:, :, :, None] / dim_t
        pos_x = torch.stack((pos_x[:, :, :, 0::2].sin(), pos_x[:, :, :, 1::2].cos()), dim=4).flatten(3)
        pos_y = torch.stack((pos_y[:, :, :, 0::2].sin(), pos_y[:, :, :, 1::2].cos()), dim=4).flatten(3)
        pos = torch.cat((pos_y, pos_x), dim=3).permute(0, 3, 1, 2)
        return pos

前向传播函数
x，从tensor_list提取张量，torch.Size( $2, 2048, 25, 29$ )，2是batch，2048是一个像素点的特征向量维度，后面是特征图长宽
mask ，从tensor_list提取掩码，torch.Size( $2, 25, 29$ )，这里面存储的全是bool值
确认mask 存在
通过对掩码取反获取非掩码区域，这里非掩码区域指的是图像的有效部分
y_embed，计算非掩码区域在垂直（y）方向上的累积和，用于生成位置编码，torch.Size( $2, 25, 29$ )
x_embed，计算非掩码区域在水平（x）方向上的累积和，用于生成位置编码，torch.Size( $2, 25, 29$ )
如果启用了归一化
一个很小的数，防止出现除以0
对y_embed
x_embed进行归一化并应用缩放因子self.scale
dim_t ，torch.Size( $128$ )，生成一个维度张量dim_t，用于控制正弦和余弦函数的频率
dim_t ，torch.Size( $128$ )，根据temperature和num_pos_feats调整其值
pos_x ，对x_embed应用缩放，torch.Size( $2, 25, 29, 128$ )
pos_y ，对y_embed应用缩放，准备生成正弦和余弦编码，torch.Size( $2, 25, 29, 128$ )
pos_x ，分别计算所有偶数位置的正弦值和所有奇数位置的余弦值，将正弦值和余弦值沿着新的维度堆叠起来，将堆叠后的维度（正弦和余弦值对）展平，torch.Size( $2, 25, 29, 128$ )
pos_y ，torch.Size( $2, 25, 29, 128$ )
pos ，将pos_y和pos_x在第3维上进行拼接，形成完整的位置编码，torch.Size( $2, 256, 25, 29$ )
返回pos

通过这种方式，PositionEmbeddingSine类为每个像素位置生成了一个独特的编码，这个编码通过正弦和余弦函数的交替使用捕获了空间位置信息。正弦和余弦函数的周期性和连续性特点使得这种编码非常适合表示位置关系，有助于提高模型对图像空间信息的理解和处理能力