基于Transformer的目标检测领域最新进展

      本文为检索该领域文章后做的简单记录，没有模型结构的详细介绍，不过其中两三篇文章已是目前目标检测领域的SOTA（截止到21年8月） ！

        a、End-to-End Object Detection with Transformers：最早将Transformer带入到目标检测领域的文章，名叫DeTR，在coco数据集上可以达到44.9的准确率，与Faster R-CNN相当；模型的主要结构是先用一个常见的CNN网络提取2D的特征，然后将输出的特征图展平，当作序列输入给Transformer，然后经Transformer处理后并行输出最终预测结果；免去了关于Anchor的处理，免去了NMS的处理；从最后的实验结果来看，该模型不仅在目标检测领域能发挥作用，在目标检测的下游视觉任务领域中，其也能发挥较好的作用，例如全景分割，即语义分割与实例分割的结合版，可见该模型的强大之处！

        b、Transformer in Transformer：华为2021年的一项工作，顾名思义，该模型的输入，需要将图片划分为一系列的patches，这一初步划分视为visual sentences，然后下一步再对这些划分出来的patches进行划分，视为visual word；模型里的Transformer结构粉为两块，即内部的与外部的，分别对输入进行处理；最终的测试结果表明，其在分类任务上可以实现81.5%的准确率，超过了当时的SOTA，其次就是在下游任务领域，目标检测、分割等任务上都能实现不错的精度。

        c、Focal Self-attention for Local-Global Interactions in Vision Transformers：非常新的一篇文章，七月份微软出的，该模型测试结果表明超过了此前的Transformer目标检测领域的SOTA，即Swin Transformer（需要注意到，这两篇文章都是微软的工作，不过可能知识不过组的），达到了58.7/58.9 box mAPs；通过文章中的表6可以看到测试的情况，上面半部分例举出来的一些模型，其实在原文章中是没有所说的那个准确率的，应该是后面其他人做出来的，另外就是这些准确率非常高的模型的输入图片的分辨率都很高，这也是提升准确率的一个重要因素吧！此外需要注意到，这两份工作中测试出的高准确率结果，都有注明是在HTC或HTC++方法或架构的模型下得到的结果，HTC即Hybrid Task Cascade(HTC)，即混合任务级联架构，最早出现在19年的一篇文章中（Hybrid task cascade for instance segmentation.），HTC++即改进版的HTC，增加了文章（Instaboost: Boosting instance segmentation via probability map guided copy-pasting.）中的copy-pasting策略；还有就是Swin Trans开源了，但是Focal Trans没有！

        还有需要注意到，58.7/58.9 box mAPs这个结果是在mini-val以及test-dev两个不同数据集上得到的，在2014年数据集中,训练集82783张,验证集40504张,测试集40775张. 另外,验证集分为两部分,miniVal有5000张,剩下的35504张图像和训练集称为Trainval35k (Trainval35k==train2014+val2014-minival2014.). 通常在论文中使用Trainval35k当作训练集，参考链接：https://www.pianshen.com/article/91481620364/；

        HTC文章的方法从如下的两个方面进行改进：1）在级联优化中将分割与检测任务组合在一起去完成多阶段地处理；2）采用了一个全卷积的分支（分割分支）提供空间信息，从而帮助区分分割任务中的前景与背景。从而网络可以学习到更具区分性的特征并且在每个stage上组合互补的特征。

        d、CBNetV2: A Composite Backbone Network Architecture for Object Detection：也是21年七月发出来的，北大的工作，刚好超过了上面微软的工作，其测试准确率达到了60.1% box AP and 52.3% mask AP；越来越离谱！文章中提出了一种架构，可以在里面融合不同的backbone以及detection head，然后来实现更好的效果，上述测试结果就是基于微软的Swin Transformer，将其作为backbone，虽然实现了更高的准确率，同时所需的epoch更少，但是模型的参数量是前者的两倍；然后就是速度应该是非常慢的，因为整个模型相当于是有几块级联在一起实现的，可参考前面的HTC架构。