前言

《End-to-End Object Detection with Transformers》
论文地址：https://arxiv.org/pdf/2005.12872.pdf
DEtection withTRansformers是在2020年ECCV上发表的，性能虽然不是很能打，尤其是在小目标上的精度不太行；但是作为Transformer用在目标检测领域的开山之作，还是有很多可以借鉴的地方。
在这之前建议可以先看一下ViT的工作，Vision Transformer(ViT)及后续工作，关于之前的细节就不会赘述，把内容放在这篇新的方法上。

网络结构

前面就是一个ViT的结构(不过这里不需要[CLS] Token)，位置编码稍微不一样，作者做了如下实验：

后面decoder细节如下：
decoder的输入是100个queries，这里作者认为一张图片里的物体不会超过100个，所以设置为100，区别于之前产生大量候选框或者anchor（因此在训练的时候，可以不用NMS）。在decoder中，K和V的值来自于encoder，Q是decoder自己产生的。

考虑到参数量和计算量，作者选择6个transformer和6个decoder layers of width 256 with 8 attention
heads。

训练：上面我们介绍了decoder会生成100个预测框，那怎么和GT对应呢？
假如GT有两个物体，此时预测出了100个结果，这个时候就会用匈牙利算法(匈牙利算法多用于指派问题中，保证实现最优分配)来选择2个接近GT的预测框作为正样本，其他的98个作为背景。如何衡量找到了合适的分配方案？这里需要一个cost函数，满足cost最小时即为合适的分配方案。cost函数如下：

这里选择正负样本就没有用到NMS。接下来就是计算神经网络的损失函数Loss：


值得注意的是，这里并没有像YOLO那样取预测偏移，直接的回归坐标位置。
推理测试：在测试的时候当然也可以用NMS做后处理

def filter_boxes(scores, boxes, confidence=0.7, apply_nms=True, iou=0.5):
    #筛选出真正的置信度高的框
    keep = scores.max(-1).values > confidence
    scores, boxes = scores[keep], boxes[keep]

    if apply_nms:
        top_scores, labels = scores.max(-1)
        keep = batched_nms(boxes, top_scores, labels, iou)
        scores, boxes = scores[keep], boxes[keep]

    return scores, boxes

上一篇：Vision Transformer(ViT)及后续工作
下一篇：Swin-Transformer