ICLR22 | 将Anchor box重新引入DETR，提供query可解释性并加速收敛

来源：https://zhuanlan.zhihu.com/p/567496850

文章链接

arxiv链接: DAB-DETR: Dynamic Anchor Boxes are Better Queries for DETR

readpaper链接：DAB-DETR: Dynamic Anchor Boxes are Better Queries for DETR-ReadPaper论文阅读平台

DAB-DETR提出了一种新的建模DETR中query的方式，使用4维的anchor box，这一建模方式不仅使得DETR query有了可解释性，同时作为位置先验可以加速模型收敛，以及利用box的尺度信息调制注意力图。

这一建模方式也将DETR类模型和传统的two-stage模型如Faster RCNN联系了起来。decoder中cross-attention的作用类似于ROI pooling或者ROI align，我们称之为soft-ROI pooling。

模型性能：

模型	mAP(原始 repo)	mAP(detrex)
DAB-DETR-R50	42.2	43.3
DAB-Deformable-DETR-R50	48.7	48.9

我们的formulation可以使用在原始DETR或者Deformable DETR上，都能相比于原始模型带来增益。基于detrex 的模型带来了更好的结果。

文章内容简述

动机和分析

DETR作为首个使用Transformer做目标检测的模型，非常具有创新性。他将目标检测建模成集合预测的任务，即输入一组（如100个）learnable的query，然后输入对应数量（如100个）的物体预测结果。在训练过程中，使用二分图匹配预测和标签进行训练，而测试时不需要后处理（如nms）即可产生所有结果。

尽管很简单、优雅，但是DETR存在两个问题，一是query含义并不清楚，不可解释，二是模型收敛慢。我们在这篇文章里主要希望解决两个问题。本来这应该是两个独立问题，不过后来我们发现，DETR收敛慢很大程度上来自于query含义的不明。

DETR中的query

在原始的DETR文章中的object query画的比较简单，可能会让人觉得query就是一组向量：

原始DETR中的框图

然而实际上object query应该有两部分组成，我们称之为content query和positional query（这里感谢conditional detr，这两个名字由他们提出。）我们这里画出来了encoder和decoder中的attention的组成部分。

encoder和decoder的attention部分

可以看到，encoder和decoder里attention和query和key都是由两部分组成的，比如encoder里的query分别来自于图像特征（包含语义信息）和位置编码（包含位置信息），因此这两部分分别称为content query（对应图像特征）和positional query（对应位置编码）。key和query完全相同。value只有图像特征这一语义部分。

再看decoder，decoder的key和value与encoder的组成完全相同，但是query则不同。query的语义部分来自于decoder embeddings，对应上层的输入，是由图像特征组合来的。而位置部分则来自于learnable queries，这是与我们看DETR的框架图后的第一反应不同的。因此decoder的learnable query实际指代的是位置信息。

Cross-attention的作用与soft-ROI pooling

接下来我们想来说明一下cross-attention在做什么，以及与传统的Faster RCNN之间的关系。

attention & soft ROI pooling

我们看到，在attention模块中，query和key计算相似度，同时考虑了content信息和positional 信息，计算出一个注意力图，然后使用这个注意力图从原始图片特征中提取特征。

这个步骤非常类似于传统两阶段检测器中的ROI pooling（或者ROI align）。但是由于注意力图是有query和key共同决定的，并不局限于物体框内信息，我们称之为Soft ROI pooling。

将query建模成anchor box

learnable query 不够好

既然了解了attention及decoder的作用，下面我们看原始的detr中query问题在哪。

我们发现，原始的learnable query学习到的特征并不够好，即不能提供soft roi pooling中所需的roi信息。

训练前后的位置注意力图

如图，训练前后的learnable query产生的位置注意力图仍然存在多模式、退化解等现象，并不能为soft roi pooling提供roi的信息。

那么很自然的，我们意识到，要为cross attention提供更好的位置先验，提供更好的roi region。很自然的，传统两阶段检测器中的anchor box可以引入到模型中作为位置先验。

引入anchor box作为query提供位置先验

从DETR到DAB-DETR

将anchor box引入之后的好处有：

query有了可解释性。
为模型提供了位置先验，加速收敛。
anchor box中的位置信息可以用来调制注意力图。
anchor box可以层与层进行更新。

anchor box直接提供了roi区域用来做soft roi pooling，因而这一描述也更加的自然。

模型改进简述

我们将我们的模型和DETR&Conditional DETR的对比列了出来。我们核心改进有：

直接学习anchor box作为query
使用正余弦编码后的x,y作为positional query
使用w,h调制注意力图
层与层更新anchor box

DAB-Deformable-DETR

我们的建模方式也是通用的，我们将anchor box的建模方式用到deformble DETR里，依然能带来性能的提升。

DETR类模型对比

我们在文章里做了很多对比，包括将DAB-DETR和之前的DETR系列做对比：

DETR类模型的对比

DAB-DETR & Faster RCNN

这里其实更想和大家分享关于DETR和传统检测器进行对比。从我们的讨论中我们看到，DETR中的encoder起到了特征增强的作用，类似于一个non-local的模块。

而更令人着迷的decoder则起到了类似于two-stage模型中ROI head的作用，通过Soft ROI pooling的方式不断从特征图中采集特征，进行box的回归。而多个decoder layer又起到了类似于cascade RCNN，类似于级联的ROI head的效果。

那么现在来看除了结构上（Transformer和卷积）以外，DAB-DETR和Faster RCNN还有哪些区别：

一是box产生的方式。Faster RCNN来自于RPN，而DAB-DETR来自于learnable的anchor box（从这个意义上 DAB-DETR更像是Sparse RCNN）。那如果我们也将DAB-DETR的anchor box来自一个RPN或者encoder输出（Deformble DETR 已经做了），我们也可以构造一个two stage的DAB-DETR，也会有更好的性能。

二是标签分配的方式。DETR类模型的匹配是匈牙利匹配，one-to-one，同时考虑content和position，在layer之后；而Faster RCNN是one-to-many(一个gt可能对应多个anchor)，只考虑position，在layer之前。那么最理想的匹配方式是什么？有没有更好的匹配方案？也是一个值得研究的问题。这里推荐peize大佬的一篇文章What Makes for End-to-End Object Detection?-ReadPaper论文阅读平台很有启发意义。

综上，DETR结构也可以看做是一种two stage模型，只是用了不同的模型结构（Transformer）和标签分配方式（匈牙利匹配）。

【项目推荐】

面向小白的顶会论文核心代码库：https://github.com/xmu-xiaoma666/External-Attention-pytorch

面向小白的YOLO目标检测库：https://github.com/iscyy/yoloair

面向小白的顶刊顶会的论文解析：https://github.com/xmu-xiaoma666/FightingCV-Paper-Reading

【技术交流】

已建立深度学习公众号——FightingCV，关注于最新论文解读、基础知识巩固、学术科研交流，欢迎大家关注！！！

请关注FightingCV公众号，并后台回复ECCV2022即可获得ECCV中稿论文汇总列表。

推荐加入FightingCV交流群，每日会发送论文解析、算法和代码的干货分享，进行学术交流，加群请添加小助手wx：FightngCV666，备注：地区-学校（公司）-名称

【赠书活动】

为感谢各位老粉和新粉的支持，FightingCV公众号将在10月1日包邮送出4本《智能数据分析：入门、实战与平台构建》来帮助大家学习，赠书对象为当日阅读榜和分享榜前两名。想要参与赠书活动的朋友，请添加小助手微信FightngCV666（备注“城市-方向-ID”），方便联系获得邮寄地址。