【目标检测】图解 DETR 系统框图

简略版本

Backbone：特征提取：CNN backbone 学习图像的 2D feature，输出 2048 个通道，32 倍下采样（输入为 ( C , H , W ) (C,H,W) (C,H,W) ，输出为 ( 2048 , H / 32 , W / 32 ) (2048, H/32,W/32) (2048,H/32,W/32) ）
Backbone：降维：通过一个 1 × 1 1 \times 1 1×1 的 Conv2D 卷积，将通道降为 256（为的是减少 Embedding 向量，即 token 的长度）。
Backbone：展平：将 2D 特征展平，然后将展平的维度放置在第一个维度
Encoding：位置编码（1）：与普通的 Transformer 不同的地方在于，普通 Transformer 只需要在第一个 Encoder 的输入处进行一次位置编码即可，但是 DETR 这里，如果有 N N N 个 Encoder，则需要在 N N N 个 Encoder 输入的时候都要进行一次位置编码。官方代码的位置编码的生成有两种方式：（a）正弦位置编码；（b）可学习的位置编码；
Encoding：位置编码（2）： K = X P E ⋅ W K \mathbf{K} = \mathbf{X}{PE}\cdot\mathbf{W}^K K=XPE⋅WK 和 Q = X P E ⋅ W Q \mathbf{Q} = \mathbf{X}{PE}\cdot\mathbf{W}^Q Q=XPE⋅WQ 是通过经过位置编码处理的输入 X \mathbf{X} X 生成的；但是 V = X ⋅ W V \mathbf{V}=\mathbf{X}\cdot\mathbf{W}^V V=X⋅WV 的输入是没有经过位置编码的。
Encoding：Dropout：在这两个部分都会先进行 Dropout 操作

Decoder 的 4 个输入：

a. Encoder Memory：也就是 Encoder 的输出，应该和输入是一样的维度，也就是 ( 850 , b s , 256 ) (850, bs, 256) (850,bs,256)。

b. Spatial positional encoding：空间位置编码，应该也是 256 维度的一维向量

c. Decoder received queries (Queries)：表示内容信息 content（可理解为 label 信息），初始设置成 0，shape 是 100 × 256 100 \times 256 100×256。

d. Output positional encoding (object queries)：输出位置编码，表示位置信息 position（可理解为 box 位置信息），shape 也是 100 × 256 100 \times 256 100×256。

Decoding：Dropout：解码器部分的 Dropout，与编码器的部分一样。
Decoding：位置编码：进入第一个多头注意力模块，与步骤 6 中的位置编码一样，进入第二个多头注意力模块，仅对上一个注意力的输出进行位置编码。
Decoding：第二层多头注意力：假设 V \mathbf{V} V 和 K \mathbf{K} K 在不考虑 batchsize 的情况下都是 ( 850 , 256 ) (850, 256) (850,256)，而 Q \mathbf{Q} Q 的维度是 ( 100 , 256 ) (100, 256) (100,256)。经过过头注意力机制之后，输出的维度和 Q \mathbf{Q} Q 一样，还是 ( 100 , 256 ) (100, 256) (100,256) 。
Decoding：输出维度：分为验证和训练两种情况，在训练阶段，会将 M M M 个 decoder 模块 FNN 层后的接出来，放到辅助解码损失里，一起计算损失，实现深监督（deep supervise），验证阶段就直接输出一个 ( b s , 100 , 256 ) (bs, 100, 256) (bs,100,256) 的矩阵。
Prediction heads：Class：分类头，通过一个 FC 全连接层接一个 Softmax 函数实现的 FFN。这里的 num_cls + 1 多出来的一种分类是背景 background。
Prediction heads：Bounding box：位置头，通过一个 MLP 网络，内含三个 FC 全连接层，结尾是 Sigmoid 函数进行归一化。
筛选：根据分类头得到的分类置信度和设定的阈值进行筛选，保留大于 0.7 的。