一.前情提要

1.本文理论为主，并且仅为个人理解，能力一般，不喜勿喷

2.本文理论知识较为散碎

3.如有需要，以下是原文，更为完备

DETR 论文精读【论文精读】_哔哩哔哩_bilibili

二.正文

示意图：

1.不同与其他目标检测的技术

①端到端，其他多用非极大抑制等技术

②视为集合预测问题

③提出新的目标函数，使用二分图匹配：即不需要那么多框

eg:

2.最大优势

①简单，只要有库就能使用

②在全景分割上效果较好

③绕过anchr、nums

3.运算

计算100个框和2个框之间的matching loss，再确定哪两个相匹配因为使用了transformer，所以在大物体上的效果优于小物体，通过多尺度特征来解决小物体问题，并且解决了训练速度过慢这个问题

4.在目标检测上，detr并没有采用原始的集合预测与人工干预共同处理，因为该处理方法效率较低，速度较慢前人使用rcnn解决encoder问题效果并不理想，所以本项目使用transformer解决了这些问题。

本项目输出的集合是一定的，比如该项目输出来是100，意思是给一张图片输出来的，结果也是100种

5.损失函数:

①本项目的特点是二分图匹配，可以粗浅理解为让工人去做自己擅长的事情，因为每个工人的经历和擅长的点是不一样的，如图

(a,b,c工人，x,y,z事情)

②便利集合也可以运算，但是匈牙利算法更加高效,公式如下

目标函数最后的公式

③如图，还有两个loss，一个是出框，一个是分类，此处不同于以往因为有的计算是根据框的大小来的，所以使用，Generalized iou loss整体流程可以概括为先计算最优匹配再计算loss

④整体网络框架如下

（最后有物体类别预测和出框预测，类别是91，框是4，在decode后加ffn，此处为fnn共）享参数

7.整体代码简单易上手如图

8.通过消融实验展示优秀性能

此处自注意力做的非常完美，比如大象和小象的蹄子之间的间隔，能处理的非常好，能精确分辨出。