DETR & 3DETR

0. Attention is all you need (NIPS 2017)

论文：https://arxiv.org/abs/1706.03762
代码：attention-is-all-you-need-pytorch
这篇论文的核心就是transformer结构，如下图。主要分成两个部分：encoder和decoder。

该结构的提出起初是用于机器翻译的，即某种语言，经过encoder后得到一种语义特征，然后再经过decoder从这种语义特征解码得到另一种语言。如下图（图自知乎：梦里梦到梦）。

Transformer Encoder

单层encoder的结构如下图所示。

Encoder的输入是词向量和Positional encoding(二者相加之后送入第一个encoder)，然后经过self-attention和LN层，最后经过一个FFN。同时可以看到单层encoder里还有两个skip connection。
最后，经过若干层encoder之后就能得到句子的编码。
(1) Positional Encoding：
因为词向量不包含其在句子中的顺序，因此位置编码的作用是为每个词向量提供位置信息。
$$\begin{gathered} P{E}_{(pos,2i)}=\sin (pos/10000^{2i/dim}) \\ P{E}_{(pos,2i+1)}=\cos (pos/10000^{2i/dim}) \end{gathered}$$
(2) Self-attention:
自注意力的矩阵形式如下图。

(3) FFN:
本质就是FC+ReLU+FC的组合。

Transformer Decoder

单层decoder的结构如下图右边所示。

Decoder的第一个Attention与Encoder类似，只不过是带了一个与位置有关的Mask（预测第i个位置的时候，输入是前i-1个位置的embedding，后面位置的编码被Mask掉了）。-- self-attention
第二个Attention依然是同样的结构，区别在其输入不同：Q来自于Decoder，K和V来自于Encoder。这种做法大抵是为了结合Encoder和Decoder的信息。 – cross-attention
最后经过若干层decoder后，由线性层和softmax得到每一个单词的翻译结果。

本文重点不是注意力，所以介绍比较简略，关于注意力的介绍在各处都能检索得到

1. DE⫶TR: End-to-End Object Detection with Transformers - ECCV 2020

论文：DETR
代码：https://github.com/facebookresearch/detr（好像收敛起来会比较慢）

(1) 它基于transformer实现了端到端的目标检测。回顾以往的2d目标检测方法，大多都是模型预测输出一堆anchors，然后需要利用NMS将多余的anchors过滤掉，最终得到最精确的anchors。而这篇论文提出的方法与以往很多的方法不一样，它提出的方法将目标检测看作了一项direct set prediction问题。Direct set prediction问题，简单地说就是模型的预测输出就是最终结果，不需要NMS等操作，也不需要提前设置anchor的各种参数等。
(2) 这篇论文的创新点主要有两个：①bipartite matching，②transformer encoder-decoder architecture。

==== bipartite matching 二分匹配 ====

(1) 从图的描述可以看到，训练过程中是要求 predictions 和 ground truth boxes 是唯一的两两配对上的。即 gt 有 N 个boxes，预测就有 N 个boxes，这两个set里面的N个boxes是要求一对一、无重复地匹配上的。 N是一个超参数，要求远大于gt boxes的数量。
(2) 说到这里，首先遇到的问题就是gt boxes根本就没有 N 个boxes，如何匹配呢？关于这个问题，本文的解决方法是用一个新类别 “no object” 来填充gt，使其满足 N 个boxes的要求。这个 “no object”类其实就相当于的是以往的 “background”类。
(3) 第二个问题就是怎么确保两个集合里的boxes一对一、无重复地匹配呢？这是一个最优化问题，论文据此提出的待解决问题如下：

需要寻找一种配对方式，使得 $L_{match}(y_i,\widehat{y_{\sigma (i)}})$ 的值最小。这个最优化问题可以利用匈牙利算法解决。

==== DETR architecture ====

论文的第二个创新点就是DETR architecture：

(1) 第一部分backbone：传入图片 $x_{image}\in R^{(3\times H_0\times W_0)}$，利用CNN提取得到 lower-resolution activation map $f\in R^{(C\times H\times W)}$。$C=2048,H=H_0/32,W=W_0/32$ 。需要注意的是，输入的image要求具有相同的尺寸，论文是通过填充0来实现。
(2) 第二部分transformer encoder：首先利用 $1\times 1$卷积降低 $f$得通道数，得到一个新的feature map $z\in R^{(d\times H\times W)}$ 。因为encoder的输入是sequence，所以需要将 $z$ 展成 $d\times HW$，并且添加上位置编码。
(3) 第三部分是transformer decoder：DETR中的decoder与之前vanilla transformer decoder的区别在于其能够同时输出 N 个object。由于decoder也是permutation-invariant(置换不变)的，因此decoder的这 N 个输入embedding必须要不同以输出不同的结果。原文“These input embeddings are learnt positional encoding that we refer to as object queries”，即 “object queries” 蕴含着位置的信息。与encoder一样，这些object queries会被加到每一个attention层的输入。

DETR transformer

DETR中的transformer结构如下图所示。

比较关键的就是decoder部分的object queries的理解。从上图的右边可以看到object queries是用于计算Q矩阵的，回顾attention机制，Q矩阵就相当于是提出问题。
从右边的multi-head attention module可以看到，K和V矩阵都是来自于encoder的输出，而K矩阵是相当于解答问题的一些关键信息，V矩阵则是encoder输入的另一种表达形式。
更具体地，结合原文“These input embeddings are learnt positional encodings that we refer to as object queries”，则object queries就是位置编码，而根据object queries得到的Q矩阵则可以认为是提出了这样的问题“某个位置上有什么东西？”。同时，这 N 个位置编码是需要进行训练学习的，训练的过程可以看作是提出更加准确、具体的问题。
俗话说，“提出问题比解决问题更困难”，通过提出更加细致的问题，更容易根据问题得到更加准确的预测结果。而且这提出的 N 个问题是互不相同的。根据Encoder输出得到的K矩阵则可以认为蕴含着某个位置上object的一些关键feature。

Decoder的预测输出的可视化如上图所示。
对“object queries”的理解：相当于 N 个人从不同的角度进行询问，训练过程就是训练这 N 个人从不同的角度去提出问题。从上图的第一幅图可以看到，points主要集中在左下角，且是绿色的，代表的是这个“人”不论输入的图像是什么，它只会在意图像的左下角的小物体。又如第二排的第二幅图，点在中心分布挺集中，颜色是红色和蓝色混杂，则代表这个“人”会更多在意图像的中心的大物体。其他例子同理。
可以设想， N 越大，则提出问题的“人”就更多，或者说提出了更多的问题，每个问题有一个答案，即信息，更多的信息，就意味着对全局信息的捕获更多了，从而就可以根据这些全局的信息提出更多细致的问题，从而得到更加准确的答案，即得到更加准确的预测。
原文中写到“Using self- and encoder-decoder attention over these embeddings, the model globally reasons about all objects together using pair-wise relations between them, while being able to use the whole image as context.” 论文结合了self-attention和encoder-decoder attention，用于全局地推理object之前的关系，从而充分地利用了整个图像的信息，以便于预测。

DETR是第一篇将transformer结构应用到图像目标检测的论文，对于object queries的理解尤为关键

2. An End-to-End Transformer Model for 3D Object Detection – ICCV 2021

论文：http://arxiv.org/abs/2109.08141
代码：https://github.com/facebookresearch/3detr
这一篇是facebook基于DETR，将transformer结构拓展到3d目标检测任务中。

(1) 论文提出了一个用于3d目标检测的transformer结构，只需要对vanilla transformer做少量的修改。而且通过实验证明，这个简单的transformer结构能够比那些专门针对3d任务，且调整好超参数的框架更好。
(2) Transformer中的自注意力操作是置换不变的，能够捕获long range的上下文语义信息，故很适合处理无序的点云数据。
(3) 具体方法：
① 接收point cloud，利用PointNet++中的方法对点云降采样， N个点降为′个。然后进行特征变换，得到 $N\prime \times d$ 特征，直接送入encoder，不需要提供位置编码，因为点云信息已经蕴含了xyz坐标信息。
② Encoder同样会输出一个 $N\prime \times d$ 张量，直接送入decoder。
③ 不同与DETR，此处的decoder接收的query非nn.Embedding生成，而是根据′个输入点产生的(non-parametric query embeddings)，共个queries。 具体：利用farthest point sampling采样得到个点，然后进行Fourier位置编码，特征变换，得到query embedding。这样个点就会与个query embedding相对应。Query embedding表征着3d空间中接近objects的空间。

3DETR Transformer

encoder和decoder的框架如上图所示。
encoder方面接收降采样后的 $N^{\prime }\times d$ 的点特征，输出为 $N^{\prime }\times d$的特征。
decoder方面首先会利用降采样后的 KaTeX parse error: Expected group after '^' at position 2: N^̲' 个点再随机采样得到 $B$个点，得到 $B\times d$的特征。经过MLP得到位置编码，再经过MLP得到query embeddings。
在decoder里，会有self-attention和cross-attention操作，最终输出 $B\times d$ 的特征。

与2D的DETR对比

与2D的DETR相比，最大的区别是non-parametric queries。论文通过实验证明了，在3d点云中使用non-parametric queries的重要性。相比于2d图像网格，点云更为稀疏和不规则，因此很难学习到parametric queries(nn.Embeddings)。Non-parametric queries从点云中直接采样学习到，因此能更少受点云的不规则性影响。

3DETR相比与2D的DETR结构简单了不少，在了解了DETR中的object queries的含义之后理解起来也很得心应手。

总结

以上就是个人看过的transformer在目标检测中应用，DETR给我的印象比较深刻。