一：创新点

这篇论文首次提出了对content_q和pos_q的解耦运算，为DAB-DETR和DN-DETR打下了基础。

论文主要解决Detr收敛速度慢的原因，故作者首先分析导致其收敛慢的可能原因是啥：encoder只涉及图像特征向量提取；decoder中的self-attn只涉及query之间的交互去重；而最有可能发生在cross attn。原始Detr论文中query=content query + object query，而原始论文发现在第二层layer去掉object query基本不掉点，故收敛慢是content query引起的。

分析原始Detr的交叉注意力计算方式，注意使用的是加法，即cq同时和ck和pk交互容易使得网络产生困惑，故考虑将c和p解耦即可：

作者使用的方法就是解耦：

首先将object query:[N,256]映射成2d的参考点s:[N,2]，之后通过下式子来将s映射成和pk一致的sin编码得到Ps。

在有了Ps之后，作者考虑到cq中蕴含了物体的边界信息，于是将cq经过FFN得到T，和Ps做了点积，得到Pq。

然后和经过self-attn的cq拼接送入cross-attn即可。

在最终预测阶段，借助参考点s和预测出偏移量即可。

二：源码实现

所有的流程和传统DETR完全一致，只有以下几个区别：

• 设置了reference_points，主要是为生成query_sine_embed服务的，同时预测Head的pred是对于reference_points的offset
• 对query的解耦

下面我展示一下源码，细节就藏在里面：

首先看一下conditional_detr主模块：

有上图可见，中规中矩，下面主要看一看transformer中的细节：

依然中规中矩，encoder就是几个encoderLayer层利用MultiAttention()进行的基本self-attention，更新src后生成最终的memory，代码如下：

可见，重头戏就在decoder中，下面我们先来看一下源码：

首先利用了query_pos生成了reference_points，然后转换成obj_center的形式，生成query_sine_embed。

同时，考虑到cq中蕴含了物体的边界信息，在每一层decoderLayer中利用更新后的output生成pos_transformation，与query_sine_embed做点积，微调一下query_sine_embed蕴含的边界信息。

注意！！！！每一层的query_sine_embed都是不同的，obj_center是不变的。

下面，来看一看decoderLayer中的源码细节：

对于self-attention，发现依然通过加法进行非解耦运算，只是分别对tgt和query_pos进行了proj投影，分别生成了q_content和q_pos，然后相加传入self_atten = MultiheadAttention(d_model, nhead, dropout=dropout, vdim=d_model)做自注意力机制运算，更新了tgt，接着进入下面的cross-attention。

可见，对于cross-attention，进行了解耦运算。cat了q和query_sine_embed，变为了2*hidden_dim，计算出attention_weight后通过hiddend_dim维的v更新，最终得到tgt并返回 。具体细节见上述源码。

至此，self.transformer()中全部运行结束，返回的是一个output列表和reference_points。对reference_points进行反sigmoid化，得到中心点实际坐标，然后加上pred中bbox的中心点偏移值，得到真正的center坐标。最后再sigmoid一下，得到最后的结果。具体见下图：