【DETR】3、Conditional DETR | 拆分 content 和 spatial 来实现对 DETR 的加速-编程知识

在这里插入图片描述

文章目录

- 一、Conditional DETR 是怎么被提出来的
- 二、Conditional DETR 的具体实现
- - 2.1 框架结构
  - 2.2 DETR 的 cross-attention 和 Conditional DETR 的 cross-attention 对比
- 三、效果

论文：Conditional DETR for Fast Training Convergence

代码：https://github.com/Atten4Vis/ConditionalDETR

出处：ICCV2021

一、Conditional DETR 是怎么被提出来的

DETR 方法自被提出以来，就以其端到端的结构得到了很大的关注，DETR 方法首次将 Transformer 结构引入了目标检测任务中，且使用二分匹配的方式让一个目标只有一个输出框，免去了 NMS 的操作，使用 object queries 的方式免去了手工设置 anchor 的过程。

但是 DETR 的缺点也很明显：

收敛速度慢：需要 500 个 epoch 才能收敛（是 Faster RCNN 的 10~20 倍）
对小目标效果不好：DETR 使用的是 CNN 抽取的最后一层特征（1/32），分辨率较低，细节信息缺失严重，所以小目标检出效果较差

DETR 的基本流程：

CNN backbone 提取图像的 feature
Transformer Encoder 通过 self-attention 建模全局关系对 feature 进行增强
Transformer Decoder 的输入是 object queries 和 Transformer encoder 的输出，主要包含 self-attention 和 cross-attention 的过程。Cross- attention 主要是将 object query 当做查询，encoder feature 当做 key，为了查询和 query 有关的区域。Self-attention 主要是对每个 query 做交互，让每个 query 能看到其他 query 在查询什么东西，从而不重复，类似与 NMS 的作用
对 Decoder 输出的查询好了的 query，使用 FFN 提取出 bbox 的位置和类别信息

针对 DETR 的收敛慢的问题，Conditional DETR 对 DETR 的结构进行了进一步的探索，从 DETR 的 decoder 入手，回顾一下 DETR 中提到的 decoder 的主要作用是关注目标的边界位置（extremity），如下图所示，包括边界位置的大象鼻子、大象蹄子、斑马蹄子等，都是对边界定位很重要的边界信息。

在这里插入图片描述

然后我们再看看 DETR 不同训练 epoch 的模型对边界位置的定位能力，如图 1 所示，在 DETR 训练 50 个 epoch 时（第二行），从空间 attention 图中可以明显的看出来模型并不能很好的找到目标的边界，在训练到 500 个 epoch 的时候（第三行），模型就能很好的找到目标的边界位置的。这里的每个列表示不同 head 的输出。

在这里插入图片描述

为什么会出现这样的问题呢，作者就进行了 DETR 结构的重新思考，并且提出了对之后的多篇工作影响很大的 content query/key 和 spatial query/key 的概念

在 DETR 中，DETR decoder 的 cross-attention 如下图所示（图来自 DETR 原文，cross-attention 是右边分支中间位置的模块），是对 encoder 的输出和 object query 做交叉注意力的模块，会有三个输入：

queries：每个 query 都是 decoder 第一层 self-attention 的输出（ content query ）+ object query（ spatial query ），这里的 object query 就是 DETR 中提出的概念，每个 object query 都是候选框的信息，经过 FFN 后能输出位置和类别信息（本文 object query 个数 N 为 300）
keys：每个 key 都是 encoder 的输出特征（ content key ） + 位置编码（ spatial key ）构成的，可以看 k 的下边是有一个 + 号的
values：只有来自 encoder 的输出

在这里插入图片描述

基于上面提到的 content 和 spatial 的概念，我们就可以继续往下看了，作者本文的动机来源于这么一个结论：

在 cross-attention 中，content embedding 贡献很大，spatial embedding 贡献很小
假设移除 key 中的 positional embedding 和第二层的 object query（但是第一层的 object query 是一定不能移除的哦！！！），AP 只会下降很小的值

影响究竟有多小呢：

训练 50 个 epoch 的时候，不使用 spatial embedding 的话，AP 从 34.9 降到了 34.0
训练 300 个 epoch 的时候，不使用 spatial embedding 的话，AP 下降 1.4

所以 DETR 是把 content key/query 和 spatial key/query 合在一起训练的，既然 spatial 影响不大，那就说明 content 的影响很大，需要要求 content 质量很高，才能得到较好的效果，当 content 质量不高的时候，spatial 再挣扎也没用。所以说，DETR 收敛慢的原因很大程度上是来源于 content 的质量太低了，且难以提升，所以 DETR 需要更大的训练 epoch 才能得到较好的效果，也进一步说明边界位置的定位能力其实来源于 content 特征，要想更快的提升模型对边界位置的定位能力，要能更快的让 content 特征优化得当才行。

说到这里，Conditional DETR 就提出了自己的方法，主要解决的就是 decoder 中的 cross-attention 的 content 难以学习的问题，Conditional DETR 从前一个 decoder 的输出为每个 query 都学习一个 conditional spatial embedding，来为 decoder 的 cross-attention 形成一个所谓的【 conditional spatial query】。

二、Conditional DETR 的具体实现

2.1 框架结构

Conditional DETR 的方法沿用了 DETR 的整体流程，包括 CNN backbone，transformer encoder，transformer decoder，以及 object class 和 box 位置的预测器。Encoder 和 Decoder 各自由6个相同的 layer 堆叠而成。Conditional DETR 相对于 DETR 的改动主要在 decoder 的 cross-attention 部分。

改动后的 decoder 的一层如图 3 所示，有三层：

第一层：输入为上一层 decoder 的输出，self-attention 过程用于去除冗余的预测，self-attention 就是来求 object query embedding 之间的关系，在每个特征都互相交流之后，就能知道每个 query 在预测什么样的特征，从而避免预测的特征冗余了，尽量都预测不一样的特征才好。
第二层：cross-attention 层，用于聚合 encoder 的输出和 decoder 内部的特征，进一步加强特征
第三层：FFN 层

在这里插入图片描述

Box 位置的回归：

在这里插入图片描述

f 是 decoder embedding
b 是 4d 向量 [x, y, w, h]
sigmoid 用于将输出归一化为 [0,1]
s 是参考点的未经归一化的 2D 坐标，在 DETR 中是 (0,0)

类别预测：

在这里插入图片描述

conditional DETR 的 cross-attention 主要的作用：

定位目标区域，也就是定位 bbox 的 4 个边界位置来定位，识别框内的目标区域用于分类
通过引入 conditional spatial queries ，能够提升定位能力，且加速训练过程

2.2 DETR 的 cross-attention 和 Conditional DETR 的 cross-attention 对比

1、DETR

queries：每个 query 都是 decoder 第一层 self-attention 的输出（ content query $c_q$ ）+ object query（ spatial query $p_q$ ），这里的 object query 就是 DETR 中提出的概念，每个 object query 都是候选框的信息，经过 FFN 后能输出位置和类别信息（本文 object query $o_q$ 个数 N 为 300）
keys：每个 key 都是 encoder 的输出特征（ content key $c_k$ ） + 位置编码（ spatial key $p_k$ ）构成的，可以看 k 的下边是有一个 + 号的
values：只有来自 encoder 的输出