加电:DETR论文阅读
DETR:End ot End object detection with transformer.
主要工作
这篇文章的主要工作在于,是将transformer引入到目标检测这一类计算机视觉的任务中,transformer的优势在于:模型的通用性和高上限(gpt是最好的例子,算力和效果正相关);全局注意力机制;可以较好的建模元素和元素之间的关系。端到端这样简洁的流程架构,也是主流趋势。相较于以往的一阶段、二阶段的目标检测,DETR会抛弃之前的先验框,先验中心点角点这些人工设计的步骤,这个算是transfomer的附加优势,其注意力机制可以解决之前先验框问题。旧的模型中,之所以有先验框很大一部分原因是框的解空间太大了,没必要也难以穷举,于是选择人工设计一些策略来输入一些先验信息。
方法
为了实现将transformer的结构引入到视觉任务中,做了:
- 引入二分图匹配来实现pred和gt的1对1匹配,顺带的优势便是可以实现并行解码
pipeline
- 利用CNN提取图像序列特征融入位置编码作为transfoermer encoder输入
- 将encoder输出送入到decoder中得到预测结果
模型流程比较简单, 工作会集中在对怕热diction heads 的处理