SAM-DETR源码讲解

一：创新点

论文选自2022 CVPR的Accelerating DETR Convergence via Semantic-Aligned Matching，提出了SAM-DETR模型，研究方向是缓解传统DETR训练收敛慢的缺陷。最大创新点在我看来，有以下两点：

• 作者认为在cross-attn中的query经过了一系列self-attn操作后，和src特征的语义信息不在一个层面，很大程度上影响了训练收敛速度。因此，作者利用了memory中的大量特征，并且也融合了tgt，来构成语义对齐后的q_content。
• 作者对每一个anchor都选取num_heads个显著点，这样也会让网络更好的学到更有意义的特征位置，也会加快注意力的收敛速度和效果。

二：源码分析

作者也使用了Conditional-DETR中一部分的q_content和q_pos的解耦思想，只是没有concat而已。以及CAB-DETR中的（cx,cy,w,h）显式表征的query_embed方式，并迭代更新anchor_box框，可见这些已经慢慢成为一种规范 。

下面步入正题，看fast_detr主模块源码：

fast_detr:

中规中矩，下面看看trans模块：

transformer:

encoder模块和detr基本一致，不讲，直接看decoder模块：

decoder:

基本没有什么特别之处，但有一个细节，发现还往Layer中输入了memory的实际长、宽，是为了后面RoiAlign的投射服务的。重点到了，让我们看看decoderLayer模块中是如何运作的：

许多的实现细节，都可以看我上方截图中的源码注释。这里我囊括一下，首先是q_content的组成，它首先由每个anchor框中重采样的num_heads个点组成，这样按作者论文解释就对齐了src中的语义。然后再乘上利用tgt生成的权重系数矩阵，这样就 是又结合了tgt的内容。

再看看q_pos的构成，这里我觉得很巧妙，每个anchor_box中不是采样了num_heads个点吗，这时利用原reference_points和采样的points结合成全新的q_pos，可以理解为每一个显著点都生成了一个obj_centers，由原来的[10 2 2]变为了[10 2 8 2]，妙不可言！ 然后再对新的obj_centers生成query_sine_pos，同时利用了tgt生成transformation矩阵微调query_sine_pos，完全效仿Conditional-DETR。

别的就不讲了，传入cross_attn中的q和k是8✖256维的，v是256维，稍微注意一下，这也是8个显著点结合在一起组成q和k的体现。

---

  至此我对SAM-DETR源码中全部的流程与细节，进行了深度讲解，希望对大家有所帮助，有不懂的地方或者建议，欢迎大家在下方留言评论。

我是努力在CV泥潭中摸爬滚打的江南咸鱼，我们一起努力，不留遗憾！