arXiv 2020 DETR:《End-to-End Object Detection with Transformers》论文笔记

简介

本文出自FaceBook AI，方法很新颖，不同于已有的R-CNN一系列，也不同于Yolo一系列，也不同于FCOS、CenterNet等最新的Anchor Free模型。作者将目标检测视为direct set prediction problem（直接集预测）。
下载链接
本篇博客的部分内容参考自这里

动机

simplify pipelines.

贡献

本文将Transformer融入目标检测的pipeline，实现了真正的No Anchor。实验结果上，能够超过精调的Faster R-CNN。

方法

方法的整体架构如下图所示。

更为具体的结构图如下图所示。其实就三个部分：backbone、transformer (encoder + decoder)、prediction heads。其中，backbone就是传统的CNN结构，用于提取图像的2D信息。encoder和decoder一会再说。prediction heads用于对decoder的输出进行分类。

下面说encoder和decoder。下图是更加清晰的encoder和decoder结构，来自原文的附录。这里比较有意思的是Object queries，我一直也没太理解它的直观意思，下面说一下我的大致理解。从作者的代码中，能够看出，所谓的Object queries其实是一个大小为$100 \times 2 \times 256$的变量，而且是通过训练确定的！这里的100是个超参数，表示对于每张图片，预测100个bboxes。设为100的原因是，数据集中有90个类别，100刚好合适。

有两点值得注意的 1. 和NLP中的transformer不太一样，DETR中在decoder部分将Object queries一起作为输入，而非序列化地一个一个输入。2. 只用image features进行编码是不够的，需要融入位置信息，也就是上图中的Spatial positional encoding部分。这部分我没具体看，代码里是这样的，有兴趣的可以分析一下。

# spatial positional encoding
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

实验

下图是在COCO上的实验结果，主要和Faster R-CNN进行了对比。