UP-DETR: Unsupervised Pre-training for Object Detection with Transformers
目录
UP-DETR: Unsupervised Pre-training for Object Detection with Transformers
论文简介
论文主要贡献：
实现方法：
Single-Query Patch
Multi-Query Patches
实验结果：
目标检测
Panoptic Segmentation（全景分割任务）
消融实验
编辑
UP-DETR: Unsupervised Pre-training for Object Detection with Transformers
论文简介
近年来，通过良好设计的pretext tasks，无监督预训练的方法在NLP（BERT,GPT）和CV（MoCo,SimCLR,SwAV）中都取得了巨大的成功。而对于DETR中的模块而言，backbone已经是预训练的，而作为检测器的transformer模块却还没有经过预训练。更重要的是，在DETR中的transformer是一个充当检测器的模块，它主要关注的是空间位置的定位和输出框之间的抑制，所以现有的对比学习的无监督预训练方法不太适用于DETR中transformer的预训练。
本文提出了一个新的pretext task：随机的从原图中裁下一个补丁，得到该补丁对应框的坐标，长宽，再将这个补丁作为query，进行一些简单的数据增强变换，输入到 DETR的decoder中，而模型的目标是在原图中找到这个框的位置。通过这种方式，它构成一个无监督预训练的形式，并且，在UP-DETR框架下，可以将各种与检测相关的任务都统一到一个框架中去。
论文主要贡献：
1.提出了一个random query patch detection的pretext task
2.提出了一个与patch检测联合优化的patch特征重建分支，权衡分类和定位偏好
3. 引入了单查询patch的UP-DETR，并将其扩展到具有对象查询洗牌和注意掩码的多查询patch
4. UP-DETR对下游的object detection、one-shot detection、 panoptic segmen-tation都有一定的性能提升。
实现方法：
Single-Query Patch
目标检测是一个目标分类和定位的耦合，这两个任务总是具有不同的特征偏好，为了解决这一个问题，作者提出一个feature reconstruction的方法，目的是保留CNN提取的特征。和将其传递给transform后的特征进行损失计算，希望其能保持良好的一致性。但实际上，对于下游目标检测任务，起决定性作用的还是固定预训练的CNN权重。
同时对于裁剪下来的补丁，作者使用CNN（参数与encoder中的参数一致）进行特征提取，做一个global average pooling和fc降维，使得它和object queries的embedding维度一致，直接将图片特征加到全部的object queries上。
Multi-Query Patches
对于测试的对象而言，每个对象有多个实例，需要对查询patch和对象查询之间进行分配，来支持多框的同时检测。作者显式的将object queries进行分组，如这里有N个object queries，我们将它们均匀的分成M组，使得UP-DETR可以支持同时M个补丁的定位。对于每个裁剪下来的补丁，都输入到N/M个object queries上，然后decoder会输出N/M个位置结果，最终会选择其中一个作为最终结果。
不同的patch是独立的，它们之间应该是不可见。作者显式的构造了一个attention mask，使得不同的框之间彼此不可见。同时下游任务object queries之间并没有显式的分组，为了避免预训练中显式的分组对下游任务带来负面的影响，作者对object queries进行随机的shuffle。
实验结果：
在UP-DETR在ImageNet的图片上进行无监督的预训练。在下游的COCO、VOC object detection、one-shot detection和全景分割中都进行了实验。
目标检测
PASCAL VOC Object Detection
DETR在PASCAL VOC中表现很差，比更快的R-CNN差得多，UP-DETR显著提高了DETR的性能：分别为150（300）轮迭代的AP：+6.2（+3.1）；AP50：+5.2（+2.1）和AP75：+7.5（+3.7）
COCO Object Detection
UP-DETR在小、中、大物体的检测方面全面优于DETR。但仍然略落后于R-CNN。
One-Shot Detection
在VOC上的一次性检测的结果
Panoptic Segmentation（全景分割任务）
可以看到UP-DETR可以在things上提高+0.4 PQ（全景分割质量），在分割上，带来+1.1AP的提升
全景分割=语义分割（图像中的每个像素点都赋予一个类别标签）+实例分割（将图像中的每个目标检测并且分割出来）
