DAB-DETR

DAB-DETR（2022ICLR）

DAB：Dynamic Anchor Boxes

贡献：

1. 明确了不是由于learnable queries导致的收敛缓慢

2. 4D anchor

3. Anchor Update

4. Width & Height Modulated

5. Temperature Tuning

前半部分：Why a positional prior could speedup training?

为什么位置先验可以加速DETR训练？

（a）图像feature+pos embedding

（b）初始的/decoder输出+object query

两个可能原因导致收敛缓慢：

1. 优化挑战，object query难以学习
2. learned object queries中的位置信息的编码方式与用于图像特征的正弦位置编码方式不同（原来的detr是embedding，position embedding不一样）

实验1：把学好的object query给未训练的DETR，只在前半epoch稍微高一点，因此并不是query难以学习

实验2：self attention中query挑选感兴趣的信息，关心某种图像的区域或大小

如果思考为一种位置约束，有不好的属性（之前的可是画图）：

1. 关注了多种模式的物体（一个slot小目标，横的，竖的）
2. 查某种物体权重相似

图（a）coco数据集目标如果刚好上面和下面都有GT，存在多个物体就很难定位

图（a）底部关注太大或太小的区域，不能在提取过程中注入有用的位置信息

图（b）相比于detr关注某一物体，但忽略了物体的尺度信息（圈圈看起来都是一样大小的）

模型

具体结构看：https://img-blog.csdnimg.cn/c7bf7283aca94942b55606c667861bef.png

贡献

4D-Anchors：Aq=(xq,yq,wq,hq)（使用方式来自于conditional detr）

q是第q个锚点的意思
$$P_q=\mathrm{MLP}\left(\mathrm{PE}\left(A_q\right)\right)$$
anchor变成4d，经过位置编码，MLP获得query的positional embed
$${\mathrm{PE}\left(A\right)}_{.}=\mathrm{PE}\left(x_q,y_q,w_q,h_q\right)=\mathrm{Cat}\left(\mathrm{PE}\left(x_q\right),\mathrm{PE}\left(y_q\right),\mathrm{PE}\left(w_q\right),\mathrm{PE}\left(h_q\right)\right)$$
PE输入是四维信息，cat所有4个分量，编码为128维，cat后为512，mlp变回256
$$\text{Self-Attn:}{Q}_q=C_q+P_q,K_q=C_q+P_q,V_q=C_q$$
self-attention没什么更改
$$\begin{array}{rl}\text{Cross-Attn:}& Q_q=\text{Cat}\left(C_q,\text{PE}(x_q,y_q)\cdot {\text{MLP}}^{(\text{csq})}\left(C_q\right)\right),\\ & K_{x,y}=\text{Cat}\left(F_{x,y},\text{PE}(x,y)\right),V_{x,y}=F_{x,y},\end{array}$$
cross-attention

Q_q：其中C_q：上一个self-attention的输出，后面是conditional detr的做法

k：Memory+posembedding

v：v不变

Anchor Update（deformable box refine）:

Width & Height Modulated:

传统的位置注意映射被用作类似高斯先验，其假设具有固定大小
但先验是简单地假设所有对象都是各向同性的和固定大小的，忽略了它们的比例信息(宽度和高度)

上面是原来的标准的attention

修正positional attention map通过分别 m单独分离出相关anchor的 width 和height 从它的 x part and y part to smooth the Gaussian prior to better match with objects of different scales

wq和hq是anchor Aq的宽和高，wqref和hqref由MLP得到

Temperature Tuning（提点的）:

Transformer中位置编码是使用正余弦函数进行编码的，公式如下

pos代表句子中词的位置，2i或者2i+1代表位置编码向量的一个分量，2i代表偶数，2i+1代表奇数，由此可见某个词的位置编码是一个向量不是一个值，它由词的位置，以及分量位置两个共同决定的。

​

def GetPosEncodingMatrix(max_len, d_emb):
    # 位置编码
    pos_enc = np.array([
        [pos / np.power(10000, 2 * (j // 2) / d_emb) for j in range(d_emb)]
        if pos != 0 else np.zeros(d_emb)
        for pos in range(max_len)
    ])
    pos_enc[1:, 0::2] = np.sin(pos_enc[1:, 0::2])  # dim 2i
    pos_enc[1:, 1::2] = np.cos(pos_enc[1:, 1::2])  # dim 2i+1
    return pos_enc
            
设置max_len为每个句子的最大长度为50，d_emb为每个词的embedding的维度为256，最终得到一个[50, 256]的位置编码矩阵，每一行代表一个位置的位置编码结果，每一列代表某个词在某个位置编码分量上的值。所有句子共享这个位置编码矩阵，也就是说所有句子相同位置的字/词的位置编码结果是一致的，

$$\mathrm{PE}(x{)}_{2i}=\sin \left(\frac{x}{T^{2i/D}}\right),\mathrm{PE}(x{)}_{2i+1}=\cos \left(\frac{x}{T^{2i/D}}\right)$$
温度参数：原始NLP是10000，在DETR中不适合