IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> DeformableDetr论文简介+mmdet源码解读 -> 正文阅读

[人工智能]DeformableDetr论文简介+mmdet源码解读


前言

?论文地址
?本篇博客内容有点儿多,包含论文解读和源码解读两部分,当然,限于篇幅原因,本人不可能做到面面俱到。不过大家若想厘清Transformer–>detr–>deforable detr的过程,墙裂推荐可以先看下两篇本人博客,因为Deformable detr很多继承自Detr,而Detr继承自Transfomer。
?mmdet之detr源码解读
?nn.Transformer实现简单的机器翻译任务

一、论文解读

1.1. 研究问题

?主要为了克服1)训练时间长(这个问题出现原因有好几篇论文研究,比如DAB-Detr或DN-Detr);2)detr限于计算复杂度的原因仅用一层特征图,没用FPN对小目标检测不友好。
?核心就是如何降低计算复杂度,因为MultiHeadAttn属于hw个高维度的特征向量相互进行密集运算,所以本文借鉴可形变卷积思想,让每个特征向量不要和其余所有像素点进行计算,而是通过网络学习出K个采样点来进行注意力计算,从而降低了复杂度。

1.2. 可形变注意力模块

在这里插入图片描述
?简述下流程:在得到特征图x上的参考点p位置的特征向量zq之后,首先经过线性层变换预测得到三组偏移量offset,然后将三组偏移量添加到位置p上来得到采样后的位置,之后经过插值提取出对应位置的特征向量作为v;同时zq经过线性变换+softmax得到相似度矩阵,并和v做乘法得到最终output。

1.3. 拓展到多层特征图

?为了在Detr中引入多层特征图,作者将上述模块拓展到多层特征图。举个简单例子:假设有三层特征图f1-f3。假如现在计算特征图f1上参考点p1的注意力,那么首先将p1位置经过归一化后得到p1在f2,f3上的参考点位置p2,p3。同时提取出p1位置的特征向量zq,然后zq分别预测出p1,p2,p3位置的多头偏移量,并通过插值得到各个修正位置后的特征向量v1,v2,v3。最后经过softmax并将zq和v相乘便能得到融合后的特征向量q。

二、 mmdet源码讲解

2.1. 图像特征提取

?该部分没有用到FPN,仅仅用到了多层特征图,并将各个特征图的通道数统一变成256。这部分代码比较简单,我这里只贴下配置文件。若不理解可参考:mmdet逐行解读ResNet。

backbone=dict(
    type='ResNet',
    depth=50,
    num_stages=4,
    out_indices=(1, 2, 3),                      # 用到了三层特征图
    frozen_stages=1,
    norm_cfg=dict(type='BN', requires_grad=False),
    norm_eval=True,
    style='pytorch',
    init_cfg=dict(type='Pretrained', checkpoint='torchvision://resnet50')),
neck=dict(
    type='ChannelMapper',
    in_channels=[512, 1024, 2048],
    kernel_size=1,
    out_channels=256,                           # 将输入特征图的通道数目统一变成256
    act_cfg=None,
    norm_cfg=dict(type='GN', num_groups=32),
    num_outs=4)

2.2. 生成mask和位置编码

?在得到多层尺寸不一特征图后,首先给每层特征图创建一个mask矩阵(不计算pad部分图像的注意力),并为各个特征图创建了位置编码。生成位置编码部分详见:mmdet之detr源码解读。

# mlvl_feats是个元祖,各个元素是特征图。每个元素shape = [b,c,h,w]
batch_size = mlvl_feats[0].size(0)
input_img_h, input_img_w = img_metas[0]['batch_input_shape']
# 创建一个全1的尺寸为pad后图像的mask矩阵
img_masks = mlvl_feats[0].new_ones((batch_size, input_img_h, input_img_w))
# 遍历每个图像,将原始图像部分设置为0,1的位置表示pad部分
for img_id in range(batch_size):
    img_h, img_w, _ = img_metas[img_id]['img_shape']
    img_masks[img_id, :img_h, :img_w] = 0
# 遍历每张特征图的尺寸,来对每个img_masks进行采样
mlvl_masks = []
mlvl_positional_encodings = []
for feat in mlvl_feats:
    mlvl_masks.append(
    	# 这里将img_masks扩充了一个维度:[b,h,w]-->[1,b,h,w],此时的b视为通道,即需要在
    	# 每个通道上进行上采样,所产生的效果就是分别为每个mask进行了对应的采样。
        F.interpolate(img_masks[None],size=feat.shape[-2:]).to(torch.bool).squeeze(0))
    # 为每个特征图生成了对应的位置编码,每个位置对应一个256维的位置编码信息:[b,256,h,w]
    mlvl_positional_encodings.append(self.positional_encoding(mlvl_masks[-1]))

2.3. 送入Transformer

?在得到特征图,位置编码之后,便可送入Transformer。其中各个参数含义我已经注释好了。接下来是Deformable detr的核心。

# 初始化query:[300,512]
self.query_embedding = nn.Embedding(self.num_query,self.embed_dims * 2)
hs, init_reference, inter_references, \
    enc_outputs_class, enc_outputs_coord = self.transformer(
            mlvl_feats,     # tuple([b,c,h1,w1],[b,c,h2,w2],[b,c,h3,w3])
            mlvl_masks,     # list([b,h1,w1],[b,h2,w2],[b,h3,w3])
            query_embeds,   # 由nn.Embedding生成的shape:[300,512]
            mlvl_positional_encodings,    # list([b,256,h1,w1],[b,256,h2,w2],[b,256,h3,w3])
            reg_branches=self.reg_branches if self.with_box_refine else None,  # None
            cls_branches=self.cls_branches if self.as_two_stage else None      # None
    )

2.3.1. Transformer初始化部分

? 首先,transformer在初始化过程中创建了两个张量:层编码:[4个特征层,256]; 参考点的线性层:nn.Liear(256,2),参考点含义后续用到在进行说明。 注意此处的levle_embed使用nn.Parameter()进行了封装,故层级编码需要梯度更新。

def init_layers(self):
    """Initialize layers of the DeformableDetrTransformer."""
    self.level_embeds = nn.Parameter(
        torch.Tensor(self.num_feature_levels, self.embed_dims))  # level_embedding:[4,256]
    else:
        self.reference_points = nn.Linear(self.embed_dims, 2)    # [256,2]

?然后看forward部分,也就是接收了来自上节中的forward参数。

2.3.2. Transformer的forward方法

? 在forward函数内部,首先将多层特征图mlvl_feats、多层特征图有效掩码mlvl_masks、多层特征图的位置嵌入mlvl_positional_encodings三个list进行了拉平并拼接操作。

feat_flatten = torch.cat(feat_flatten, 1)         # [b,sum(hw),256]
mask_flatten = torch.cat(mask_flatten, 1)         # [b,sum(hw)]
# [b,sum(hw),256]此时已经添加过层级编码,我没贴那行代码
lvl_pos_embed_flatten = torch.cat(lvl_pos_embed_flatten, 1) 
# 每张特征图的尺寸[[h1,w1],[h2,w2],[h3,w3],[h4,w4]]
spatial_shapes = torch.as_tensor(
    spatial_shapes, dtype=torch.long, device=feat_flatten.device) 
# 找出每张特征图开始的的位置[0,9680,12120,12740]
level_start_index = torch.cat((spatial_shapes.new_zeros(
    (1, )), spatial_shapes.prod(1).cumsum(0)[:-1]))   
# 得到每张特征图的有效宽高比例: [b,4,2]--> 每张特征图的有效宽高
valid_ratios = torch.stack(
    [self.get_valid_ratio(m) for m in mlvl_masks], 1) 
'''
valid_ratios = 
	tensor([[[1.0000, 1.0000],
	         [1.0000, 1.0000],
	         [1.0000, 1.0000],
	         [1.0000, 1.0000]],
	
	        [[0.7638, 1.0000],
	         [0.7656, 1.0000],
	         [0.7812, 1.0000],
	         [0.8125, 1.0000]]], device='cuda:0')
'''

? 到此为止还没有结束,还需要获取各个特征图上参考点的位置,即特征图上每个像素点的位置。 获取特征图上所有像素点的位置通过以下函数:

def get_reference_points(spatial_shapes, valid_ratios, device):
   """Get the reference points used in decoder.

   Args:
       spatial_shapes (Tensor): The shape of all
           feature maps, has shape (num_level, 2).
       valid_ratios (Tensor): The radios of valid
           points on the feature map, has shape
           (bs, num_levels, 2)
       device (obj:`device`): The device where
           reference_points should be.

   Returns:
       Tensor: reference points used in decoder, has \
           shape (bs, num_keys, num_levels, 2).
   """
   reference_points_list = []
   for lvl, (H, W) in enumerate(spatial_shapes):
       # 获取每个参考点中心横纵坐标
       ref_y, ref_x = torch.meshgrid(
           torch.linspace(
               0.5, H - 0.5, H, dtype=torch.float32, device=device),
           torch.linspace(
               0.5, W - 0.5, W, dtype=torch.float32, device=device))
       # 将横纵坐标进行归一化
       ref_y = ref_y.reshape(-1)[None] / (
           valid_ratios[:, None, lvl, 1] * H)
       ref_x = ref_x.reshape(-1)[None] / (
           valid_ratios[:, None, lvl, 0] * W)
       # ref: [1,12,2]
       ref = torch.stack((ref_x, ref_y), -1)
       reference_points_list.append(ref)
   reference_points = torch.cat(reference_points_list, 1)  # [1,60,2]
   # 将参考点的位置映射到有效区域
   reference_points = reference_points[:, :, None] * valid_ratios[:, None]
   return reference_points

2.3.3. Transformer的encoder部分

? 在准备好了上述各个张量后,后续的逻辑类似于Transformer,首先经过encoder部分:

# 送入encoder
memory = self.encoder(
    query=feat_flatten,                  # [sum(hw), b, 256]
    key=None,              
    value=None,
    query_pos=lvl_pos_embed_flatten,     # [sum(hw), b ,256]
    query_key_padding_mask=mask_flatten, # [b, sum(hw)]
    spatial_shapes=spatial_shapes,
    reference_points=reference_points,   # [b,sum(hw),4,2]
    level_start_index=level_start_index, # [4]
    valid_ratios=valid_ratios,           # [b,4,2]  
    **kwargs)

?这里看下encoderlayer的内部调用流程:内部本质调用的是可形变注意力的部分,而可形变注意力则本文提出的核心,代码地址:mmcv/ops/multi_scale_deform_attn.py,首先看下可形变注意力模块的初始化部分:

self.embed_dims = embed_dims
self.num_levels = num_levels
self.num_heads = num_heads
self.num_points = num_points   # 论文中的K,采样点的个数
# num_heads * num_level * num_points * 2
self.sampling_offsets = nn.Linear(
    embed_dims, num_heads * num_levels * num_points * 2) 
self.attention_weights = nn.Linear(embed_dims,
                            num_heads * num_levels * num_points)
self.value_proj = nn.Linear(embed_dims, embed_dims)
self.output_proj = nn.Linear(embed_dims, embed_dims)

?这里需要留意的是这几个nn.Linear函数,在后续forward部分会用到。
?在看下可形变注意力的forward部分:

value = self.value_proj(value)  # 将value多了一层线性映射
if key_padding_mask is not None:
    value = value.masked_fill(key_padding_mask[..., None], 0.0)
# value进行维度变换: [b, sum(hw), 8, 256/8]
value = value.view(bs, num_value, self.num_heads, -1)
# 经过一个线性层映射得到每个query的偏移量:[b,sum(hw),8,4,2,2]
sampling_offsets = self.sampling_offsets(query).view(
    bs, num_query, self.num_heads, self.num_levels, self.num_points, 2)
# 经过一个线性层映射+softmax得到每个query的注意力权重
attention_weights = self.attention_weights(query).view(
    bs, num_query, self.num_heads, self.num_levels * self.num_points)
attention_weights = attention_weights.softmax(-1)
attention_weights = attention_weights.view(bs, num_query,
                                           self.num_heads,
                                           self.num_levels,
                                           self.num_points)
# 将预测得到的偏移量修正参考点 并进行归一化
if reference_points.shape[-1] == 2:
    offset_normalizer = torch.stack(
        [spatial_shapes[..., 1], spatial_shapes[..., 0]], -1)
    sampling_locations = reference_points[:, :, None, :, None, :] \
        + sampling_offsets \
        / offset_normalizer[None, None, None, :, None, :]
# 若有cuda则调用cuda算子
if torch.cuda.is_available() and value.is_cuda:
    output = MultiScaleDeformableAttnFunction.apply(
        value, spatial_shapes, level_start_index, sampling_locations,
        attention_weights, self.im2col_step)
# 没有则调用cpu版本
else:
    output = multi_scale_deformable_attn_pytorch(
        value, spatial_shapes, sampling_locations, attention_weights)

output = self.output_proj(output) # 将输出经过线性变换

?这里在看下cpu版本的可形变注意力,这里面主要是维度变换比较绕。大家可以慢慢调试下(奥利给):

def multi_scale_deformable_attn_pytorch(value, value_spatial_shapes,
                                        sampling_locations, attention_weights):
    """CPU version of multi-scale deformable attention.

    Args:
        value (torch.Tensor): The value has shape
            (bs, num_keys, mum_heads, embed_dims//num_heads)
        value_spatial_shapes (torch.Tensor): Spatial shape of
            each feature map, has shape (num_levels, 2),
            last dimension 2 represent (h, w)
        sampling_locations (torch.Tensor): The location of sampling points,
            has shape
            (bs ,num_queries, num_heads, num_levels, num_points, 2),
            the last dimension 2 represent (x, y).
        attention_weights (torch.Tensor): The weight of sampling points used
            when calculate the attention, has shape
            (bs ,num_queries, num_heads, num_levels, num_points),

    Returns:
        torch.Tensor: has shape (bs, num_queries, embed_dims)
    """

    bs, _, num_heads, embed_dims = value.shape
    _, num_queries, num_heads, num_levels, num_points, _ =\
        sampling_locations.shape
    # 在第一个维度上进行拆分成list:其中每个元素shape:[b,hw, num_heads, embed_dims//num_heads]
    value_list = value.split([H_ * W_ for H_, W_ in value_spatial_shapes],
                             dim=1)
    # 后续用到的F.grid_sample函数所要求坐标为[-1,1],故需要做一次映射
    sampling_grids = 2 * sampling_locations - 1
    # 用来存储采样后的坐标
    sampling_value_list = []
    for level, (H_, W_) in enumerate(value_spatial_shapes):
        # bs, H_*W_, num_heads, embed_dims ->
        # bs, H_*W_, num_heads*embed_dims ->
        # bs, num_heads*embed_dims, H_*W_ ->
        # bs*num_heads, embed_dims, H_, W_
        value_l_ = value_list[level].flatten(2).transpose(1, 2).reshape(
            bs * num_heads, embed_dims, H_, W_)
        # bs, num_queries, num_heads, num_points, 2 ->
        # bs, num_heads, num_queries, num_points, 2 ->
        # bs*num_heads, num_queries, num_points, 2
        sampling_grid_l_ = sampling_grids[:, :, :,
                                          level].transpose(1, 2).flatten(0, 1)
        # 该函数value和grid均是4D,且二者第一个维度必须相等,
        # 最终采样后的特征图第一个维度一样,第二个维度跟value一样,
        # 第三四个维度跟采样点的维度一样
        # sampling_value_l_ = [bs*num_heads, embed_dims, num_queries, num_points]
        sampling_value_l_ = F.grid_sample(
            value_l_,           # [bs*num_heads, embed_dims, H_, W_]
            sampling_grid_l_,   # [bs*num_heads, num_queries, num_points, 2]
            mode='bilinear',
            padding_mode='zeros',
            align_corners=False)
        sampling_value_list.append(sampling_value_l_)
    # (bs, num_queries, num_heads, num_levels, num_points) ->
    # (bs, num_heads, num_queries, num_levels, num_points) ->
    # (bs, num_heads, 1, num_queries, num_levels*num_points)
    attention_weights = attention_weights.transpose(1, 2).reshape(
        bs * num_heads, 1, num_queries, num_levels * num_points)
    #将list的四个元素进行了堆叠,将对应元素相乘并在最后一个维度上进行求和
    # [bs*num_heads, embed_dims, num_queries, num_levels*num_points] *
    # (bs*num_heads, 1, num_queries, num_levels*num_points)
    output = (torch.stack(sampling_value_list, dim=-2).flatten(-2) *   
              attention_weights).sum(-1).view(bs, num_heads * embed_dims,
                                              num_queries)
    return output.transpose(1, 2).contiguous()

?最终输出的output的shape为:[batch, num_queries, embed_dims]。

2.3.4. Transformer的decoder部分

?在得到memory后,便送入decoder部分。首先看下整体逻辑:

# encoder输出的memory
memory = memory.permute(1, 0, 2) # [b, num_querie,256]
bs, _, c = memory.shape
# 一阶段部分
else:
	# 可学习的nn.Embedding:[300,512],即decoder中的可学习位置编码
    query_pos, query = torch.split(query_embed, c, dim=1)# [300,256]
    query_pos = query_pos.unsqueeze(0).expand(bs, -1, -1)#[b,300,256]
    query = query.unsqueeze(0).expand(bs, -1, -1)   # [b,300,256]
    # 将query_pos经过一次线性变换+sigmoid正好能作为初始参考点坐标
    reference_points = self.reference_points(query_pos).sigmoid() 
    init_reference_out = reference_points

# decoder
query = query.permute(1, 0, 2)
memory = memory.permute(1, 0, 2)
query_pos = query_pos.permute(1, 0, 2)
# inter_states:    [6,300,bs,256],6表示经过了6层layer
# inter_references:[6,bs,300,2]
inter_states, inter_references = self.decoder(
    query=query,
    key=None,
    value=memory,
    query_pos=query_pos,
    key_padding_mask=mask_flatten,
    reference_points=reference_points,
    spatial_shapes=spatial_shapes,
    level_start_index=level_start_index,
    valid_ratios=valid_ratios,
    reg_branches=reg_branches,
    **kwargs)

inter_references_out = inter_references

return inter_states, init_reference_out, \
    inter_references_out, None, None

?我这里简单贴下decoder流程,跟encoder一样,只是多返回了每层layer的中间状态:

output = query
intermediate = []  # 存储每层decoder layer的query
intermediate_reference_points = [] # 用来存储每层decoder layer的参考点
for lid, layer in enumerate(self.layers):
    else:
        assert reference_points.shape[-1] == 2
        reference_points_input = reference_points[:, :, None] * \
            valid_ratios[:, None]
    output = layer(                # 此处和encoder中类似,不在赘述
        output,                    # 唯一区别是有了key即memory
        *args,
        reference_points=reference_points_input,
        **kwargs)
    output = output.permute(1, 0, 2)
    if self.return_intermediate:
        intermediate.append(output)
        intermediate_reference_points.append(reference_points)

if self.return_intermediate:
    return torch.stack(intermediate), torch.stack(
        intermediate_reference_points)
return output, reference_points

?最后decoder输出三个张量:inter_states, init_reference_out, 和
inter_references_out:分别表示每层layer的query,初始预测的参考点,以及每层layer的预测出的中间参考点。三个张量维度我在这单独在记下:

'''
inter_states: [num_dec_layers, bs, num_query, embed_dims]
init_reference_out: (bs, num_queries, 4)
inter_references_out: (num_dec_layers, bs,num_query, embed_dims)
'''

2.4. 预测bbox阶段

?终于来到最后一步,最后预测bbox的过程就比较简单,将初始点作为参考点,把每层layer的中间状态来修正初始点6次即可。

'''
hs: [num_dec_layers, bs, num_query, embed_dims]
init_reference_out: (bs, num_queries, 4)
inter_references_out: (num_dec_layers, bs,num_query, embed_dims)
'''
hs = hs.permute(0, 2, 1, 3)
outputs_classes = []
outputs_coords = []
for lvl in range(hs.shape[0]):
    if lvl == 0:
        reference = init_reference  # 作为初始点
    else:
        reference = inter_references[lvl - 1]
    reference = inverse_sigmoid(reference) # 做反sigmoid
    outputs_class = self.cls_branches[lvl](hs[lvl])
    tmp = self.reg_branches[lvl](hs[lvl])
    if reference.shape[-1] == 4:
        tmp += reference
    else:
        assert reference.shape[-1] == 2
        tmp[..., :2] += reference         # 仅修正参考点中心位置即可
    outputs_coord = tmp.sigmoid()
    outputs_classes.append(outputs_class)
    outputs_coords.append(outputs_coord)

outputs_classes = torch.stack(outputs_classes)
outputs_coords = torch.stack(outputs_coords)
if self.as_two_stage:
    return outputs_classes, outputs_coords, \
        enc_outputs_class, \
        enc_outputs_coord.sigmoid()
else:
    return outputs_classes, outputs_coords, \
        None, None

总结

?我这里简单的画了张结构图方便大家理解:
在这里插入图片描述

?这篇文章还有好多细节没有厘清,有问题欢迎随时评论交流。

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2022-04-06 23:10:15  更:2022-04-06 23:11:47 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/26 11:53:32-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码