[人工智能]Deformable DETR:Deformable Transformers for End-to-end object detection笔记

(一) 本文需要解决的问题

DETR具有slow convergence以及limited feature spatial resolution

原始的DETR模型存在的问题：

• 训练时间长,需要500个epoch才能够收敛
• 对小目标检测能力相对较弱
• 在初始化时,Attention modules接近是均匀分布，需要长时间的训练才能将其转变为sparse meaningful locations
• attention weight这边的权重计算是二次复杂度的，对于高分辨率图来说是高计算和高内存消耗的。

Deformable DETR真的是一篇神作，给后面太多的改进方法带来了思路。

(二) 本文是怎么解决这些问题的

本文的主要工作有两个，首先第一个就是将deformable attention module替换Attention模块，从而实现sparse attention。接着第二个就是multi-scale deformable attention module来实现不同尺度特征的建模。

首先是Deformable Attention Module

给定一个输入feature map$x\in {\mathbb{R}}^{C\times H\times W}$,接着令$q$表示带有content feature $z_q$,以及一个2d的reference point$p_q$的一个query，接着deformable attention feature能够通过一下的方式计算：
$$\mathrm{DeformAttn}\left({\mathbf{z}}_q,{\mathbf{p}}_q,\mathbf{x}\right)=\sum _{m=1}^M{\mathbf{W}}_m\left[\sum _{k=1}^K{A}_{mqk}?{\mathbf{W}}_m^{\prime }\mathbf{x}\left({\mathbf{p}}_q+\Delta {\mathbf{p}}_{mqk}\right)\right]$$
其中,$m$是表示multi-head的index，k表示采样的key,$K$是总的key的数量$(K?HW)$,此外$\Delta p_{mqk}$以及$A_{mqk}$分别表示采样的offset以及在第$m$个head上的第$k$个采样点的attention weights,${\sum }_{k=1}^K{A}_{mqk}=1$,$\Delta {\mathbf{p}}_{mqk}\in {\mathbb{R}}^2$,由于特征点${\mathbf{p}}_q$经过小数位移$\Delta {\mathbf{p}}_{mqk}$之后，需要在特征图上进行插值得到对应特征，即$\mathbf{x}\left({\mathbf{p}}_q+\Delta {\mathbf{p}}_{mqk}\right)$,这里的$\Delta {\mathbf{p}}_{mqk}$是通过query特征计算$z_q$?得到线性projection得到的。

这里Deformable Attention Module可以用到Encoder的self-attention以及Decoder的cross-attention中，在计算复杂度上有了改进，这个地方有时间可以仔细看看

接着是Multi-scale Deformable Attention Module

假定多尺度特征为：${\left\{x^l\right\}}_{l=1}^L$，对应的特征图size为$ x^{l} \in \mathbb{R}^{C \times H_{l} \times W_{l}}$,此外,$\hat{\boldsymbol{p}}_{q} \in[0,1]^{2}$表示对于每一个query元素$q$?的reference point的归一化坐标。接着多尺度的deformable attention模块可以表示为
$$\mathrm{MSDeformAttn}\left({\mathbf{z}}_q,{\hat{\mathbf{p}}}_q,{\left\{{\mathbf{x}}^l\right\}}_{l=1}^L\right)=\sum _{m=1}^M{\mathbf{W}}_m\left[\sum _{l=1}^L\sum _{k=1}^K{A}_{mlqk}?{\mathbf{W}}_m^{\prime }{\mathbf{x}}^l\left({?}_l\left({\hat{\mathbf{p}}}_q\right)+\Delta p_{mlqk}\right)\right]$$
其中$m$表示attention head 的index，$l$表示输入特征图的index，$k$表示key的index，然后$\Delta {\mathbf{p}}_{mlqk}\text{?and?}{A}_{mlqk}$分别表示第$m$个attention head，第$l$个feature map以及第$k$个采样点的attention weights，并且有${\sum }_{l=1}^L{\sum }_{k=1}^K{A}_{mlqk}=1$,${\hat{\mathbf{p}}}_q\in [0,1{]}^2$表示归一化的坐标，${?}_l\left({\hat{\mathbf{p}}}_q\right)$表示将reference point rescale到对应的特征图上，这里已经归一化的坐标了，为什么还要rescale呢，这里实际上增加了采样点的选取区间，从多个尺度的特征图上选取采样点。

当$L=1,K=1,\text{?and?}{\mathbf{W}}_m^{\prime }\in {\mathbb{R}}^{C_v\times C^{\prime }}$时，注意力模块会退化成可变形卷积，相比于可变形卷积，仅仅关注single-level的特征，这里的multi-scale deformable attention 关注多尺度，并且相比于Transformer更加高效，可以同Transformer的attention等效。

最后就是Tranformer Encoder和Decorder的设计了

• Encorder的设计

  Encoder中使用multi-scale deformable attention module替换掉了DETR中的attention module，encoder的输入和输出都是具有相同分辨率的多尺度的特征图，将ResNet的$C_3?C_6$用过来，每一个多尺度特征都是256维度的，没有使用FPN。both query和key元素都是来自多尺度特征图上的pixels，对于每一个pixel，参考点是他自己。同时增加了一个scale-level embedding，记作$e_l$??来区分特征level

• Decoder的设计

  cross-attention 以及 self-attention 都有，在cross-attention中，key elements 是从encoder中输出的特征。在self-attention中，这里的key elements是从object query中来的，本文提出的deformable attention module是被用来将convolutional feature map看成keys来处理的，因此仅仅替换了decorder的cross-attention部分，decorder中的2维的reference point ${\hat{\mathbf{p}}}_q$?,是通过object querylinera projection之后再接一个sigmoid得到的。由于multi-scale deformable attention module提取的是参考点附近的feature，可以基于reference point预测一个offsets来进一步加快收敛，reference point可以看成是边界框中心点的一个预测。

一些其他的改进内容:

• Iterative bounding box refinement,构建了一个simple并且effective iterative bounding box refinement机制来改善detection性能，利用之前的预测来调整和改善当前的预测。这块需要好好看看代码,确认是否需要针对旋转框做特殊处理

• Two-Stage Deformable DETR,本文探索了DETR的变体，以产生region proposal作为第一阶段，生成的region proposal作为对象query输入到decorder进行进一步的refinement，形成一个两阶段的Deformable DETR。这里在第一阶段时，对应每一个特征点位置希望预测一个边界框，然而decorder承受不了这么大的计算量，这里去掉了decorder，构建了一个encorder-only的Deformable DETR用来进行Region Proposal generation，此时每一个pixel 被assigned 一个object query直接用来预测bounding box，得分最高的边界框作为候选区域，并将候选区域用于second stage。

(三) 实验结果

(四) 知识点Notes

关于解决Transformer Attention模块的时间和内存复杂性的方法：

• use pre-defined sparse attention patterns on keys,最直接的方式就是将注意力模式集中在固定的局部窗口，但是这样失去了global information。
• learn data-dependent sparse attention,基于locality sensitive hashing(LSH)将查询和key散列到不同的容器中
• 探索self-attention的low-rank 特性，通过减少key的数量来实现。

目前解决难训练问题的方法主要为：

• 使Attention变得稀疏
• 多尺度特征
• two stage，将region proposal提供到Transformer中，detection 任务应该更多地关注local的信息，