【目标检测】图解 DETR 系统框图

简略版本

1. Backbone：CNN backbone 学习图像的 2D 特征
2. Positional Encoding：将 2D 特征展平，并对其使用位置编码（positional encoding）
3. Encoder：经过 Transformer 的 encoder
4. Decoder：encoder 的输出 + object queries 作为 Transformer 的 decoder 输入
5. Prediction Heads：将 decoder 的每个输出都送到 FFN 去输出检测结果

细节版本

1. Backbone：特征提取：CNN backbone 学习图像的 2D feature，输出 2048 个通道，32 倍下采样（输入为 $(C,H,W)$ ，输出为 $(2048,H/32,W/32)$ ）
2. Backbone：降维：通过一个 $1\times 1$ 的 Conv2D 卷积，将通道降为 256（为的是减少 Embedding 向量，即 token 的长度）。
3. Backbone：展平：将 2D 特征展平，然后将展平的维度放置在第一个维度
4. Encoding：位置编码（1）：与普通的 Transformer 不同的地方在于，普通 Transformer 只需要在第一个 Encoder 的输入处进行一次位置编码即可，但是 DETR 这里，如果有 $N$ 个 Encoder，则需要在 $N$ 个 Encoder 输入的时候都要进行一次位置编码。官方代码的位置编码的生成有两种方式：（a）正弦位置编码；（b）可学习的位置编码；
5. Encoding：位置编码（2）：$\mathbf{K}={\mathbf{X}}_{PE}\cdot {\mathbf{W}}^K$ 和 $\mathbf{Q}={\mathbf{X}}_{PE}\cdot {\mathbf{W}}^Q$ 是通过经过位置编码处理的输入 $\mathbf{X}$ 生成的；但是 $\mathbf{V}=\mathbf{X}\cdot {\mathbf{W}}^V$ 的输入是没有经过位置编码的。
6. Encoding：Dropout：在这两个部分都会先进行 Dropout 操作

---

Decoder 的 4 个输入：
a. Encoder Memory：也就是 Encoder 的输出，应该和输入是一样的维度，也就是 $(850,bs,256)$。
b. Spatial positional encoding：空间位置编码，应该也是 256 维度的一维向量
c. Decoder received queries (Queries)：表示内容信息 content（可理解为 label 信息），初始设置成 0，shape 是 $100\times 256$。
d. Output positional encoding (object queries)：输出位置编码，表示位置信息 position（可理解为 box 位置信息），shape 也是 $100\times 256$。

---

7. Decoding：Dropout：解码器部分的 Dropout，与编码器的部分一样。
8. Decoding：位置编码：进入第一个多头注意力模块，与步骤 6 中的位置编码一样，进入第二个多头注意力模块，仅对上一个注意力的输出进行位置编码。
9. Decoding：第二层多头注意力：假设 $\mathbf{V}$ 和 $\mathbf{K}$ 在不考虑 batchsize 的情况下都是 $(850,256)$，而 $\mathbf{Q}$ 的维度是 $(100,256)$。经过过头注意力机制之后，输出的维度和 $\mathbf{Q}$ 一样，还是 $(100,256)$ 。
10. Decoding：输出维度：分为验证和训练两种情况，在训练阶段，会将 $M$ 个 decoder 模块 FNN 层后的接出来，放到辅助解码损失里，一起计算损失，实现深监督（deep supervise），验证阶段就直接输出一个 $(bs,100,256)$ 的矩阵。
11. Prediction heads：Class：分类头，通过一个 FC 全连接层接一个 Softmax 函数实现的 FFN。这里的 num_cls + 1 多出来的一种分类是背景 background。
12. Prediction heads：Bounding box：位置头，通过一个 MLP 网络，内含三个 FC 全连接层，结尾是 Sigmoid 函数进行归一化。
13. 筛选：根据分类头得到的分类置信度和设定的阈值进行筛选，保留大于 0.7 的。