一： 创新点

在我看来，是在Conditional-DETR的基础上的延伸，这一“流派”主要针对content_q和pos_q做了许多tricks。DAB在Conditional的基础上，加上了w,h回归框的思想，reference_points由（x, y）变为了（x, y, w, h），并且在decoderLay中一次次修正。

对于Conditional-DETR还不太了解的小伙伴，可以移步到Contional-DETR源码浅析这篇文章。下面对DAB-DETR的源码进行讲解，不久后还会发布2022-CVPR中的DN-DETR论文讲解。

二：源码讲解

• DABDETR模块

对于主模块，只有一个核心重点：self.refpoint_embed = nn.Embedding(num_queries, query_dim)，比如是[batchsize, 10, 4]，直接对num_queries个box预测框进行offest预测。传统的一些DETR网络都是设置的self.query_pos：[batchsize, 10, hidden_dim]，这是最大的亮点。

因为它，outputs_coords的生成和以往有一点点不同，DAB-DETR是将输出结果和(x,y,w,h)进行的相加，而以往的都是对(x, y)进行的相加，原因就是该网络一直预测的是对整个回归框的修正offset，以前只是修正固定不变的reference_points，也就是x,y。

并且需要注意的是！！在decoder中，self.bbox_embed也是需要进行的，而不是只在DABDETR模块最后进行。因为经过每一层decoderLayer后，都要更新reference_points，然后用新生成的reference_points来生成query_sine_embed和query_pos!!这也是第二大亮点，每一层decoder都要更新reference_points。

下面展示DABDETR模块源码：

• decoder模块
  transformer模块中的encoder模块比较普通，就是最基本的self-attention，输出memory。重点就是decoder模块，先看源码：

这里的decoder和conditional-DETR中的decoder最大区别：由代表offset的self.references_embed向量，来推出query_pos和query_sine_embed，并且还能随着Layer层不断更新，十分灵活！是第一个天秀细节。

以往是通过query_pos推出reference_points，然后再由reference_points推出query_sine_embed，同时利用每层output推出的transformation_matrix微调query_sine_embed，最后输入进decoderlayer。

第二个天秀细节，是利用output生成(batchsize, num_queries, 2)，其中的2表示w和h的相对坐标，和reference_points中3、4索引(也就是w,h)作比较，得到变换系数后，调节query_sine_embed中的h, w（默认前一半是负责h的特征，后一半是负责w的特征）。算上由output生成的，且也用来微调query_sine_embedpos_transformation系数矩阵，decoder中利用output对query_sine_embed进行了两次微调操作！！

第三个天秀细节，就是每层decoderLayer的输出output，都会进行self.bbox_embed(output)操作，得到相对于当前reference_points的offset，然后更新reference_points。下一次的decoderLayer就会以这次更新后的reference_points来重新生成query_sine_embed和query_pos等，真正做到了灵活多变！！！！

最后展示一下decoderLayer模块源码，中规中矩，和conditional-DETR一模一样。

• decoderLayer模块