DETR：基于Transformer的目标检测新范式，性能媲美Faster RCNN | ECCV 2020 Oral

DETR基于标准的Transorfmer结构，性能能够媲美Faster RCNN，而论文整体思想十分简洁，希望能像Faster RCNN为后续的很多研究提供了大致的思路
 
来源：晓飞的算法工程笔记 公众号

论文: End-to-End Object Detection with Transformers

• 论文地址：https://arxiv.org/abs/2005.12872
• 论文代码：https://github.com/facebookresearch/detr

Introduction

---

  之前也看过一些工作研究将self-attention应用到视觉任务中，比如Stand-Alone Self-Attention in Vision Models和On the Relationship between Self-Attention and Convolutional Layers，但这些方法大都只是得到与卷积类似的效果，还没有很出彩的表现，而DETR基于transformer颠覆了主流目标检测的做法，主要有三个亮点：

• Standard Transformer，DETR采用标准的Transformer和前向网络FFN进行特征的处理以及结果的输出，配合精心设计的postion encoding以及object queries，不需要anchor，直接预测bbox坐标以及类别。
• Set prediction，DETR在训练过程中使用匈牙利排序算法将GT和模型预测结果一一对应，使得在推理时的模型预测结果即为最终结果，不需要后续的NMS操作。
• 目标检测性能超越了经典的Faster RCNN，打开了目标检测研究的新路线，并且DETR也能改装应用于全景分割任务，性能也不错。

The DETR model

---

DETR architecture

  DETR的整体架构很简单，如图2所示，包含3个主要部分：CNN主干、encoder-decoder transformer和简单的前向网络(FFN)。

• Backbone

  定义初始图片$x_{img} \in \mathbb{R}^{3\times H_o\times W_o}$，使用常规的CNN主干生成低分辨率特征图$f\in \mathbb{R}^{C\times H\times W}$，论文采用$C=2048$以及$H,W=\frac{H_o}{32}, \frac{W_o}{32}$。

• Transformer encoder

  先用$1\times 1$卷积将输入降至较小的维度$d$，得到新特征图$z_o \in \mathbb{R}^{d\times H\times W}$，再将特征图$z_o$空间维度折叠成1维，转换为$d\times HW$的序列化输入。DETR包含多个encoder，每个encoder都为标准结构，包含mullti-head self-attention模块和前向网络FFN。由于transformer是排序不变的，为每个attention层补充一个固定的位置encoding输入。

• Transformer decoder

  decoder也是transformer的标准结构，使用multi-head self-attention模块和encoder-decoder注意力机制输出$N$个大小为$d$的embedding，唯一不同的是DETR并行地decode $N$个目标，不需要自回归的机制。由于decoder也是排序不变的，采用学习到的位置encdoing(等同于anchor)作为输入，称为object queries。类似于encoder，将位置encoding输入到每个attention层，另外还有空间位置encoding，见图10。decoder将$N$个object queries转换为$N$个输出embedding，然后独立地解码成box坐标和class标签，得到$N$个最终的预测结构。由于了使用self-attention以及encoder-decoder注意力机制，模型能够全局地考虑所有的目标。

• Prediction feed-forward networks (FFNs)

  使用带ReLU激活的3层感知机以及线性映射层来解码得到最终的预测结果，感知机的隐藏层维度为$d$。FFN预测$N个$归一化的中心坐标、高度、宽度以及softmax后的类别得分，由于$N$一般大于目标个数，所以使用特殊的类别$\emptyset$来标记无预测目标，类似于背景类。需要注意，最后用于输出的FFN与encoder和decoder里的FFN是不一样的。

• Auxiliary decoding losses

  论文发现对decoder使用辅助损失进行训练十分有效，特别是帮助模型输出正确的目标个数，所以在每个decoder层添加FFN和Hugarian loss，所有的FFN共享参数，另外也使用了共享的layer-norm来归一化FFN的输入。

Object detection set prediction loss

  DETR输出固定的$N$个预测结果，最大的困难在于根据GT对预测结果进行评分，需要先找到预测结果和GT的对应关系。定义$y$为GT集合，大小为N，缺少的用$\emptyset$填充，$\hat{y}=\{ \hat{y}_i\}^N_{i=1}$为预测结果，为了最好地匹配GT和预测结果，使用匈牙利算法(二部图匹配方法)找到能够最小化匹配损失的最优排列方法$\sigma$：

  $\mathcal{L}_{match} (y_i, \hat{y}_{\sigma(i)})=-\Bbb{1}_{\{c_i \ne \emptyset\}}\hat{p}_{\sigma(i)}(c_i)+1_{\{c_i \ne \emptyset \} } \mathcal{L_{box}}(b_i, \hat{b}_{\sigma(i)})$为排序后GT-预测结果对的匹配损失，匹配损失考虑类别预测以及bbox的相似度。$y_i=(c_i, b_i)$为GT，其中$c_i$为类别，$b_i\in [0, 1]^4$为相对于图片大小的坐标向量(x, y, hetight, weight)，$\hat{p}_{\sigma(i)}(c_i)$和$\hat{b}_{\sigma(i)}$分别为预测的类别置信度和bbox。这里的匹配过程类似于目前检测算法中anchor和GT的匹配逻辑，而区别在于这里的预测结果和GT是一一对应的。
  在找到最优排列方法$\hat{\sigma}$后，计算Hungarian loss：

  在实现时，考虑分类不均衡，对$c_i=\emptyset$的分类项降权10倍。
  与普通的目标检测方法预测bbox的差值不同，DETR直接预测bbox的坐标。虽然这个方法实现很简单，但计算损失时会受目标尺寸的影响，论文采用线性$\mathcal{l}_1$损失和IoU损失来保证尺度不变，bbox损失$\mathcal{L}_{box}(b_i, \hat{b}_{\sigma (i)})$为$\lambda_{iou}\mathcal{L}_{iou}(b_i, \hat{b}_{\sigma(i)})+\lambda_{L1} || b_i - \hat{b}_{\sigma(i)} ||_1$，bbox损失需要用正样本数进行归一化。

Experiments

---

  DETR性能超越了经典的Faster RCNN。

  探究encoder层数对性能的影响

  每层decoder输出进行预测的准确率，可以看到逐层递增。

  位置embedding方式对性能的影响，这里的spatial pos对应图10的spatial positional encoding，而output pos则对应图10的Object queries。

  损失函数对性能的影响。

DETR for panoptic segmentation

---

  DETR也可以在decoder的输出接一个mask head来进行全景分割任务，主要利用了DETR模型的特征提取能力。

  与当前主流模型的全景分割性能对比。

Conclustion

---

  DETR基于标准的Transorfmer结构，性能能够媲美Faster RCNN，而论文整体思想十分简洁，希望能像Faster RCNN为后续的很多研究提供了大致的思路。

 
 
 

如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】