DETR 个人理解

概念说明

transformer网络结构

整体流程

损失计算

整体理解

结果说明

论文

代码

参考链接

个人拙见，仅供参考，欢迎指正交流

这篇论文还是挺重要的，因为是transforms用于目标检测的第一篇论文，之后很多的论文都是再此基础上写的，大体的流程是相近的。

概念说明

DETR的输入是单张图像，输出是此图像的检测结果。

positional encoding 是对像素在图像中位置进行的一个编码，方法有很多，也可以参考论文Attention Is All You Need

object queries 这个东西有些类似有anchor目标检测里的anchor，就是蒙的框，论文中对应的是初始的N个输出的y

FFN 就是前馈神经网络，个人理解就是全连接层或者MLP

transformer网络结构

transformer详细的网络结构见下图，其实是有N个Encoder和M个decoder，并且每一个decoder都可以进行输出，然后去算损失

至于为什么每一个中间的decoder都可以进行输出，去算损失？？

个人理解这个位置就像是啥呢，就像是你想让你的儿子考清华，最后一个decoder对应高考。你儿子要想考上清华，最稳妥的一个形式就是，你儿子从小到大每一次考试都能考第一，这样他最后高考时，考上清华的可能性才是最高。同理，你想要你最后一个decoder输出的结果最好，最稳妥的方式就是之前每一个decoder输出的结果都很好。

整体流程

单张图像进来之后首先经过一个backbone，提取图像特征，然后和positional encoding提取到的特征相结合，这样得到的特征图既有他在图像中的位置信息，又有他附近的一片像素信息。然后将这个特征图去过transformer的encoder，得到一个新的特征图，这个位置得到的东西其实是Multi-Head Attention里需要的K和V。object queries进来之后首先经过一个Multi-Head Self-Attention，就是你蒙的框不一定准，你自己先反思反思，学习学习，不要跟图像特征参乎，自己学学怎么用图像特征。object queries自己卷积完之后作为Multi-Head Attention里需要的Q，进行输出。最后在Multi-Head Attention里图像生成的特征K、V和你想让图像生成的特征结果Q相结合了，就能生成预测结果了。

损失计算

有预测结果了，然后我们还有真实标签，这个时候就可以计算损失了。

object queries这个位置我们蒙了N个框，最后Transformer decoder就会输出N个预测结果。N是一个远大于图像中可能具有最多目标数的一个数，论文中取了100。我们预测了N个框，但是我图像中的目标可能没有这么多，那怎么办呢，我向图像中补背景，让框的类别是没有意义的背景，这样你预测框的数量就和真实框一样多了，也解决了有的图像目标多，有的图像目标少的问题，你目标再多也不可能比N多。然后我让预测的N个框和真实的N个框去做1对1的匹配，就像是双射，相互对应并且唯一。匹配的算法是多目标最优匹配的匈牙利算法，最后使用相互匹配上的框去计算损失。

整体理解

使用transformer去学习，就像是啥呢，就像是你要上大学。开始你也不知道自己的天赋咋样，自己能学成啥样，然后就默默给自己定一个目标，比如说是辽宁大学，辽宁大学就对应transformer里的object queries，就是一个初始的目标。

你有了初始目标之后，没开始上小学之前，你啥也不懂，也不知道辽宁大学咋样，你就问你爸说：我想给自己定一个目标大学，你觉得辽宁大学咋样。结果你爸说，你爸我是东北大学毕业的，你敢定辽宁大学我就打死你。然后你就学到了一些关于大学的信息，觉得自己也应该有这个天赋，把初始的大学目标定在了东北大学，这个对初始目标修改的一个过程就对应decoder里object queries进来之后首先经过的Multi-Head Self-Attention。

然后你就开始学习了，这个学习的过程就对应transformer里的encoder(其实还有backbone，忽略这个位置吧)

一个学期上完，你学到了很多知识，你也不知道自己学的对不对，不知道自己定的目标合不合理，就需要进行一次期末考试，这个考试呢就对应decoder里的Multi-Head Attention和之后的过程。

考完试呢你只有一个考试成绩，但是这个成绩并不能完全代表你学的咋样，比如说试卷特别难，大家都考60，结果你考了80，或者说试卷特别简单，大家都考90，结果你考了80，你能不能上东北大学，严格意义上说并不取决于你考了多少分，而取决于你在全省的排名，这个排名呢就对应transformer里的损失，这个排名呢就会定义你这一年学的咋样。

开始你也不太会学习，你的排名就没有很好，但是你经过排名呢，就对自己过去的一些学习方法和自己定的这个目标就有数，然后呢你就不断的优化自己的学习方法，让自己学的更好，这个位置就是优化encoder的过程。

你通过优化自己的学习方法使自己的排名提高了，你发现你开始定的大学不合理，你完全可以定一个更好的大学，定一个更好的目标，这个位置就对应decoder中优化object queries的过程。

你通过不断地优化自己的学习方法，和自己想要考取的目标大学，不断地进步，最终你把目标定在了清华大学，最后高考就对应transformer里的最后一个decoder，至于你能不能考上，就取决于你最后一个decoder出来的模型收不收敛了。