End-to-End Object Detection with Transformers
2024 NVIDIA GTC，发布了地表最强的GPU B200，同时，黄仁勋对谈《Attention is All You Need》论文其中的7位作者，座谈的目的无非就是诉说，Transformer才是今天人工智能成功的核心关键，它上面承载着大模型的运转，下面承载着对训练和推理芯片的要求。
1、Introduction
DETR 的开创性主要体现不需要像Faster R-CNN、YOLO等目标检测算法那样，生成大量的预测框，然后再通过NMS非极大值抑制方法处理冗余的预测框。
而是，利用 Transformer 全局建模的能力，把目标检测看成集合预测（给定一张图片，返回一个集合，其中包括每个框的坐标，以及框中物体的类别）的问题。
2、DETR architecture
首先，图像经过CNN提取图像特征，再经过 Transformer Encoder 学习全局特征，让 Decoder 预测出检测结果，最后，将置信度大的目标作为检测结果。
3、Encoder self-attention
作者将编码器注意力可视化，利用对每个物体选一个点计算自注意力，可以发现，经过Transformer Encoder后每个物体都可以很好的区分开来。
4、Decoder
Encoder是学习全局特征，让物体之间尽可能分得开。但是对于轮廓点这些细节就需要Decoder去做，Decoder可以很好的处理遮挡问题。
5、Comparison with Faster R-CNN
6、Conclusion
- 文章作者指出DETR的优势在于：
- 对于大物体的检测，性能优于Faster R-CNN；
- 模型结构简单，Pytorch推理代码不到50行；
- 方便拓展到其他任务上，文章也指出DETR在全景分割上表现出不错的效果.
- 文章作者也指出DETR存在的缺点：
- 模型训练时间较长，大概需要500epoch；
- 相对于Faster R-CNN，对于小物体的目标检测性能较差。
查阅文章
【计算机视觉 | 目标检测】Object query的理解
从人脑到Transformer：轻松理解注意力机制中的QKV
DETR哔哩哔哩讲解笔记
DETR哔哩哔哩讲解笔记
DETR哔哩哔哩讲解笔记
DETR哔哩哔哩讲解笔记