1.基本思想

        先来个CNN得到各Patch作为输入，再使用transformer做编码和解码 

        编码方式跟VIT基本一样，重在在解码，Detr假设一张图片中最多有100个物体，直接预测100个坐标框

2.整体网络架构         

• backbone:首先通过卷积得到图片的patch向量，加入位置编码，输入到encoder中

• encoder对backbone的输入进行特征提取，得到K,V（与VIT一样）
• decoder:对输入的100个向量(object queries)根据ecoder提取到的特征进行重构,object queries是核心，让它学会怎么从ecoder提取到的原始特征找到是物体的位置
•   prediction heads:对重构后的object queries进行分类和回归      

 transformer整体架构

• Encoder与VIT一样，主要任务为得到各个目标的注意力结果，准备好特征
• 解码器首先随机初始化object queries（0+位置编码），然后经过多头自注意力机制，可以理解为首先划分不同的区域以及找出不同区域的关系，然后自注意力结果为queries,encoder输出结果为keys,vakues，做特征的提取 
• 解码器通过多层让其学习如何利用输入特征
• 输出层就是100个object queries预测

 

 输出的匹配:

对于下面两个图，匈牙利匹配完成，按照LOSS最小的组合，两个为前景，剩下98个都是背景

 

注意力起到的作用 

        如下图所示，即使图片有所遮挡，注意力机制依旧能够提取到关注的点

 

训练的细节 

        为了使decoder每一层都学习到比较优的参数，decoder每一层都计算损失 

100个queries的作用：

论文中可视化了其中20个，绿色是小物体，红蓝是大物体

基本描述了各个位置都需要关注，而且它们还是各不相同的