论文地址：https://arxiv.org/abs/2005.12872
代码地址：https://github.com/facebookresearch/detr

在看完Transformer之后，将会开始看视觉类的Transformer应用。本篇论文出自ECCV20，是关于目标检测的论文。DETR，即Detection Transformer的缩写，还记得在Transformer中，作者曾提到过该模型可能还会再视觉、视频等领域可以应用，现在看来不得不佩服当时作者的直觉。这篇论文在2020年提出后就引起了很大的反响，很多人将本篇论文中的工作评为检测里面的里程碑，还有很多人说他应当是当年eccv的最佳论文。

一、摘要和简介

摘要第一句话，作者就阐明了我们使用的是一种新的思想，不同于以往的目标检测算法，作者将目标检测看做成集合预测的问题。由于思想的转变，该框架实际上真正做到了端到端的预测，在当前流行的目标检测算法里面，不管是one-stage的还是two-stage的算法，难免都要有其他的处理操作，比如nms的后处理，anchor base的网络等，他们都没有做到真正的端到端（在这里，我认为端到端其实可以理解为–给定一张输入的图片，模型能够直接输出完整的结果，而不再需要其他的后续操作）。省掉了那些操作后，DETR极大的简化了目标检测的流程。在DETR实现中，有两个主要的创新点：提出了一个新的目标函数，使得预测成为二分图匹配的问题；使用了Transformer的encoder-decoder的结构（并不是原始结构的Transformer）。
简单性是DETR的最大优势，由于省掉了anchor和nms操作，其框架十分的简单，虽然精度上不占优势，但是在DETR后面加上一个专用的分割头后，DETR就可以用于全景分割，并且表现出了比较好的性能。同时，DETR还有一个特点就是可以并行的去计算。
在Introduction的第一段中，作者先是介绍了当前比较流行的目标检测器，比如基于候选区域的rcnn系列，单阶段检测的yolo系列算法，这些算法的性能很大程度上受限于后处理的操作，并且很依赖人的先验知识。同时，他们没有直接将目标检测看作是集合预测，而是转而使用了分类或者回归的方法来解决这一问题。
DETR的整体流程图如下图所示：

从上图可以看出，把一张图片输入进模型，首先会经过一个卷积网络来生成一个特征图（这一点和fastrrcnn相同)，也就是初步提取这张图片的特征，然后生成的特征图会送入encoder中进行编码，在经过decoder输出预测框（这里注意，DETR由于没有anchor也没有nms，其能生成的检测框数量是固定的，原文中称为object query，能够与ground truth的框会被保留，剩余的会作为背景框处理掉）。这就是整个算法的大致流程，具体的细节会在后面进行补充。
在coco数据集上，DETR达到了与Faster-Rcnn基线网络得到了同样的精度，但是DETR在大物体的检测效果上会更好，在小物体的检测效果上比较差，这是他的缺点之一，但是作者提到了任何的模型都要经过数次的迭代和改进，才能达到比较好的性能，由于DETR是初代的算法框架，因此可以改进的地方还是非常多的。

二、相关工作

作者在这里阐述了与自己论文相关的技术，分为三个部分：基于二分图匹配的集合预测、Transformer架构的编码-解码架构、并行解码以及目标检测的方法。
关于这部分的内容大多都是知识性的背景介绍，这里就不再做相关的叙述。

三、DETR模型算法

首先放上整个模型的架构图：

作者在这里说了本节当中，主要介绍两个部分：关于预测值和真实标签的集合预测损失；第二个就是本文DETR的整体结构了。

3.1 目标检测集合预测损失

对于DETR的模型来说，最后网络总是会输出一个固定的输出N（object query所限定），就经验来说，一百个输出框已经可以覆盖一张图片中的所有物体了（大多数图片都不会有特别多的物体）。如何将预测框与ground truth进行匹配，并计算最终的loss，作者在这里将其转换成为了二分图匹配的问题，该损失函数的公式如下：
$$\tilde{\sigma }=argmi{n}_{\sigma \in N}\sum _i^N{L}_{match}(y_i,{\hat{y}}_{\sigma (i)})$$
Lmatch(y,y^)=∑i=1N[−p^σ^(i)(ci)+1{ci∈∅}Lbox(bi,b^σ^(i))L_{match}(y, \widehat{y}) = \sum_{i=1}^{N}[-\widehat{p}_{\widehat{\sigma}(i)}(c_i)+1_{\{c_i\in\varnothing\}}L_{box}(b_i, \widehat{b}_{\widehat{\sigma}}(i)) Lmatch​(y,y​)=i=1∑N​[−p​σ(i)​(ci​)+1{ci​∈∅}​Lbox​(bi​,bσ​(i))

第二个公式是整个网络最后的损失函数，作者使用了第一个函数来进行loss的计算，然后通过优化最小loss达到训练网络的目的。想要弄懂损失函数具体是怎么工作的，还要知道每个数学符号的含义，在这里放上论文中的原文。


LHungarian(y,y^)=∑i=1N[−logp^σ^(i)(ci)+1{ci∈∅}Lbox(bi,b^σ^(i))]L_{Hungarian}(y, \widehat{y}) = \sum_{i=1}^{N}[-log\widehat{p}_{\widehat{\sigma}(i)}(c_i)+1_{\{c_i\in\varnothing\}}L_{box}(b_i, \widehat{b}_{\widehat{\sigma}}(i))] LHungarian​(y,y​)=i=1∑N​[−logp​σ(i)​(ci​)+1{ci​∈∅}​Lbox​(bi​,bσ​(i))]

这种损失函数会使得网络做一个强制的一对一匹配，即每个ground truth都只有唯一的prediction与其对应。该损失函数与普通的损失函数相比，其首先是算了一个最优匹配，紧接着在最优匹配的基础上，再去计算loss。

3.2 DETR的整体框架

如下图：
网络接收一张图片作为输入的时候，首先经过一个cnn（卷积层）会得到一个特征图，紧接着经过一个降维操作层将图像进行降维（为了能够与position encoding层结合），紧接在在加入Transformer之前，使用position encoding为特征加入位置信息，就得到了Transformer的输入，经过encoder部分后，DETR的decoder部分与原始的Transformer有所不同，在这里多了一个object query（OQ）的东西，OQ本质上是一个可学习的position embedding，该层的维度是（输出数*上一层的输出维度），该层可以近似的看作是anchor机制，经过decoder的输出，下面就是预测的部分了，FFN即（Feed Forword Nework），也就是全连接层，来得到做最终的结果。然后再根据最终结果计算loss，进行反向的梯度回传。