3D Object Detection Essay Reading 2024.04.01

Swin Transformer

1. paper： https://arxiv.org/abs/2103.14030 （ICCV 2021）
2. code：https://github.com/microsoft/Swin-Transformer/blob/2622619f70760b60a42b996f5fcbe7c9d2e7ca57/models/swin_transformer.py#L458
3. 学习链接：

• https://blog.csdn.net/qq_37541097/article/details/121119988
• https://zhuanlan.zhihu.com/p/626820422 （Multi-Head-Attention的作用到底是什么？）

• Patch Partition

​ 对图片进行分块，相邻的4x4的像素为一个Patch，然后在每个Patch中，把每个像素在通道方向展平，堆叠到一起。特征图形状从[H, W, 3]变成了[H/4, W/4, 48]。

• Linear Embedding

​ 对每个像素的通道数据进行线性变换。特征图形状从[H/4, W/4, 48]变成了 [H/4, W/4, C]。

• Swin Transformer Block

  • Windows Multi-head Self-Attention（W-MSA）

    为了减少计算量，对特征图按照MXM大小划分成一个个window，单独对每个windo内部进行self-attention。

  • Shifted Windows Multi-Head Self-Attention（SW-MSA）

    W-MSA无法在window与window之间进行信息传递，为了解决这个问题，SW-MSA对偏移的windows内部在进行self-attention。这里用到了masked MSA来防止不同windows中的信息乱窜。

• Patch Merging

​ 对特征图进行下采样，H和W都缩小2倍，C增加2倍。Patch Merging会将每个2x2的相邻像素划分为一个patch，然后将每个patch中相同位置的像素给拼在一起就得到了4个feature map。接着将这四个feature map在深度方向进行concat拼接，然后在通过一个LayerNorm层。最后通过一个全连接层在feature map的深度方向做线性变化，将feature map的深度由C变成C/2。

• Relative Position Bias

\[\text{Self-Attention}(X) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}} + B \right) V \]

​ 公式中的B就是就是Relative Position Bias，论文中的消融实验验证了其能带来明显的提升。

MSwin

1. paper：https://arxiv.org/abs/2203.10638 （ECCV 2022）
2. code：https://github.com/DerrickXuNu/v2x-vit/blob/main/v2xvit/models/sub_modules/mswin.py

• MSwin把Swin的串行结构改成了并行，最后用了一个Split-Attention融合了所有分支的特征
• MSwin论文中指出不需要用SW-MSA，可达到更大的空间交互（猜测是因为并行的设计？）

Deformable Attention

1. paper：https://openaccess.thecvf.com/content/CVPR2022/html/Xia_Vision_Transformer_With_Deformable_Attention_CVPR_2022_paper.html （CVPR 2022）

2. code：https://github.com/LeapLabTHU/DAT

​ DAT和普通的attention的区别就是，DAT可以汇聚一个自适应的可变感受野信息，一方面可以提高效率，防止无关信息的干扰（相比ViT），另一方面可以使得注意模块更加灵活，有效应对多尺度物体的情况（相比Swin）。

1. 输入特征图（假设shape = 1, 256, 48, 176）经过一个卷积层生成查询矩阵q。

2. q通过一个offset network生成偏移量offset（shape = 1, 2, 46, 174），重新排列维度（shape = 1, 46, 174, 2）。

3. 生成reference points（shape = 1, 46, 174, 2）。

4. 将reference points和offset相加，得到最终的偏移量pos。

5. 通过bilinear interpolation，输入pos，输出x_sampled（shape = 1, 256, 46, 174）。

6. 由x_sampled生成矩阵k和v。

    input = torch.rand(1, 256, 48, 176)
    dtype, device = input.dtype, input.device

    q = self.proj_q(x)  # b c h w

    # 生成偏移量
    offset = conv_offset(q)  # torch.Size([1, 2, 46, 174])
    offset_range = torch.tensor([1.0 / (46 - 1.0), 1.0 / (174 - 1.0)]).reshape(1, 2, 1, 1)
    # 用 tanh 预定义缩放因子防止偏移量变得太大
    offset = offset.tanh().mul(offset_range).mul(2)  # torch.Size([1, 2, 46, 174])
    offset = einops.rearrange(offset, 'b p h w -> b h w p')  # torch.Size([1, 46, 174, 2])

    # 生成参考点，最后归一化到[-1,+1]的范围
    reference = _get_ref_points(46, 174, 1, dtype, device)  # torch.Size([1, 46, 174, 2])

    pos = offset + reference

    # torch.Size([1, 256, 46, 174])
    x_sampled = F.grid_sample(
        input=input,
        grid=pos[..., (1, 0)],  # y, x -> x, y
        mode='bilinear', align_corners=True)  # B, C, Hg, Wg

MSwin + Deformable Attention

???