Deformable DETR（2020 ICLR）

Deformable DETR（2020 ICLR）

detr训练epochs缩小十倍，小目标性能更好

Deformable attention

1. 结合变形卷积的稀疏空间采样和Transformer的关系建模能力

2. 使用多层级特征层特征,不需要使用FPN的设计（直接使用backbone多层级输出）

   两种提升方法:

   1. bbox迭代细化机制
   2. 2.两阶段Deformable DETR

整体结构：

同样是6encoder，6decoder。

首先，运用了多层的图像特征，在一个采样点周围进行多层级的可变形注意力模块（紫色部分）

decoder用交叉注意力，红色的线指向第二个（cross，第一个是selfattention）

object query一样

详细展示

multihead-attention：
 MultiHeadAttn  ( z q , x ) = ∑ m = 1 M W m ⏟ \ R C × C v [ ∑ k ∈ Ω k A m q k W m ′ ⏟ \ R C v × C x k ]  where  A m q k ∝ exp ⁡ { ( U m z q ) T ( V m x k ) C v } U m , V m ∈ \ R C p × C  MultiHeadAttn (zq,x)=∑Mm=1Wm⏟∖RC×Cv[∑k∈ΩkAmqkW′m⏟∖RCv×Cxk] where Amqk∝exp{(Umzq)T(Vmxk)√Cv}Um,Vm∈∖RCp×C

 MultiHeadAttn (zq​,x)=∑m=1M​\RC×Cv​ Wm​​​[∑k∈Ωk​​Amqk​\RCv​×C Wm′​​​xk​] where Amqk​∝exp{Cv​ ​(Um​zq​)T(Vm​xk​)​}Um​,Vm​∈\RCp​×C​
deformable-attention：
$$\mathrm{DeformAttn}\left({\mathrm{z}}_{\mathrm{q}},{\mathrm{p}}_{\mathrm{q}},\mathrm{x}\right)=\sum _{m=1}^M\underset{\backslash {\mathrm{R}}^{C\times Cv}}{\underbrace{W_m}}[\sum _{k=1}^K{A}_{mqk}\underset{\backslash {\mathrm{R}}^{C_v\times C}}{\underbrace{W_m^{\prime }}}x\left(p_q+\Delta p_{mqk}\right)]$$

M：head

K：采样点

特征图：xl，l∈[1,L]，表示多个尺度的特征图

p_q：参考点，query的坐标点

这里每个像素点z_q只和其对应的k个采样点算attention

• z_q：query可以是encoder的图像或上一个decoder的输出（特征图中每个像素点都是一个维度为C的向量z_q）
• 每个像素点的Reference Point也就是二维位置坐标为 p_q（在图像上生成很多采样点p_q，文章最后写了如何在encoder和decoder处获得reference point，one-stage的参考点是get_reference_points函数生成的，而two-stage参考点是通过gen_encoder_output_proposals函数生成的，后续two-stage再讲。）。
• M代表多头注意力机制中头的数目（论文中M=8）
• 每一个头中只考虑 z_q 附近 K 个点（K远小于H x W，论文K=4）。
• Δpmqk代表采样的位置偏移量（第一个linear），是一个二维的坐标（初始化采样点是固定的，但后续将通过全连接层计算预测更加值得关注的点的坐标）

K 个采样点由参考点 p_q和偏移量 Δpmqk共同得到，当然这个偏移量不可能就是一个整数，这里获取该偏移量上的特征时是使用了双线性插值的；

之后再接通过权重norm，输出。

Deformable Attention使用的地方:

• Encoder中的Self-Attention使用Deformable Attention替换.
• Decoder中的Cross-Attention使用Deformable Attention替换，selfattention没替换，关注的还是原始的qkv

原始DETR:分类头，bbox预测头输出四个值（中心点和宽高）

deformable detr：bbox的预测头的预测结果是相对于参考点的坐标偏移量，这样的设计可以降低优化难度网络

首先会经过Linear得出参考点的初始坐标，因此最后的bbox的输出不再是表示坐标值，而是表示了坐标的偏移量，用以对参考点的坐标进行修正，这样也更加符合网络的设计

deformable detr几个变体：

变体1：bbox强化 bbox refinement（不是辅助分类）

reference point：encoder：gird H*W

decoder：经过linear后生成的300个坐标（ 参考点的获取方法为object queries通过一个nn.Linear得到每个对应的reference point）

不适用bbox强化，decoder连续作用

实现方法：

过一个decoder，算一次bbox坐标（加上reference point），传入下一层，反复

即，若使用了iterative bbox refine策略，则Decoder每层都会预测bbox，这些bbox就会作为新一轮的参考点供下一层使用，相当于coarse-to-fine的过程，不断地对参考点进行校正，最终会返回最后一层的校正结果。

由此可知，即便不是2-stage模式，只要使用了iterative bbox refine策略，这里返回的参考点也会变为4d的形式。因为检测头部的回归分支预测出来的结果是4d(xywh)形式的，而且是相对于参考点的偏移量（并非绝对坐标位置）。如果初始进来的参考点是2d的，那么wh就仅由检测头部的预测结果决定。

变体2：two-stage（如何获得reference point -one stage/two stage）

6encoder -> memory（output）-> 传入两个FFN分类头（cls，bbox） -> bbox输出 和memory-> 6decoder
2-stage模式下，输入到Decoder的参考点是Encoder预测的top-k proposal boxes，也就是说是4d的(非2-stage情况下是2d)

得到参考点（reference points）：需要说明下，在2-stage模式下，参考点和输入到Decoder的object query及query embedding的生成方式和形式会有所不同：

–如果是2-stage模式，那么参考点就是由Encoder预测的top-k得分最高的proposal boxes（注意，这时参考点是4d的，是bbox形式）。然后通过对参考点进行位置嵌入（position embedding）来生成Decoder的object query(target) 和对应的 query embedding；

–否则，Decoder的 object query(target )和 query embedding 就是预设的nn.embedding，然后将query embedding经过全连接层输出2d参考点，这时的参考点是归一化的中心坐标形式。

另外，两种情况下生成的参考点数量可能不同：2-stage时是有top-k（作者设置为300）个，而1-stage时是num_queries(作者也设置为300)个，也就是和object query的数量一致(可以理解为，此时参考点就是object query本身的位置)。

其他：

num_class没有no object（+1），但是有类似的处理过程

matcher的label loss计算不同：

原始：直接过softmax

这里用的是focal bce loss

参考：

https://www.bilibili.com/video/BV1B8411M73e/?spm_id_from=333.788&vd_source=4e2df178682eb78a7ad1cc398e6e154d