引言

在上一章博客中博主已经完成查询去噪向量构造部分的讲解（DeNoise）在本篇博客中，我们将进行Uncertainty-minimal Query Selection创新点的讲解。

Uncertainty-minimal Query Selection是RT-DETR提出的第二个创新点，其作用是在训练期间约束检测器对高 IOU 的特征产生高分类分数，对低 IOU 的特征产生低分类分数。从而使得模型根据分类分数选择的 Top-K 特征对应的预测框同时具有髙分类分数和高 IOU 分数。

如下图，这是RT-DETR所作的一个分析，其中蓝色代表使用查询选择后的结果，可以看到其随着IOU分数变高，其分类分数也较高，而绿色代表原方法，可以看到IOU分数高的分类分数并不高。

这部分其实对应的是输入到Decoder中的数据处理部分，即位于rt_decoder.py中的_get_decoder_input方法中

代码分析

进入_get_decoder_input方法后，首先进行的是构造Anchor，对应的是_generate_anchors方法

构造Anchor

_generate_anchors方法的输入参数为各个特征图的维度大小spatial_shapes

其代码如下，该方法原理和YOLOv1的思想很类似，每个像素点产生一个Anchor，如第一层特征图中有100x100个Anchor，第二层特征图中有50x50个Anchor。

生成的grid_x，grid_y 以及 grid_xy 的值

anchors.append(torch.concat([grid_xy, wh], -1).reshape(-1, h * w, 4))将宽高和中心点坐标拼接在一起，最终获得三层特征图内的 Anchor

最终，会根据我们设置的一个阈值来选择出一部分Anchor

这里可以认为是生成Anchor先验，RT-DETR认为目标更多的集中在中心区域，即中心区域的特征更容易产生高IOU，而到了最后一个特征图，由于语义特征非常丰富，所以近似会认为所有特征都很有用，故而全部选择了。

Topk查询向量选择

继续进行Decoder输入数据的构造，通过一系列方法，在根据类别选择Top-k输入Decoder的特征向量的过程中，就可以选出相对IOU分数也较高的查询向量了。具体操作如下：

首先，将Encoder输出的特征图进行进一步处理：

output_memory = self.enc_output(memory)

memory：torch.Size([4, 13125, 256])
output_memory：torch.Size([4, 13125, 256])

RT-DETR对分类头与预测框头进行了解耦，首先将该特征图（output_memory）输入分类头，获取分类结果（这里是初筛Encoder的结果，为下一步选择Topk特征做准备）

enc_outputs_class = self.enc_score_head(output_memory)

随后将特征图（output_memory）输入回归头，并于先前构造的anchor相结合：

enc_outputs_coord_unact = self.enc_bbox_head(output_memory) + anchors

回归头的构造如下，其输出维度为4，对应 （x y w h）。

ModuleList(
  (0-1): 2 x Linear(in_features=256, out_features=256, bias=True)
  (2): Linear(in_features=256, out_features=4, bias=True)
)

最终，将其进行Topk选择，选择的数量为300（num_queries）

 _, topk_ind = torch.topk(enc_outputs_class.max(-1).values, self.num_queries, dim=1)

选择出的top_ind即选中的特征图的索引。

最后，按照先前的分类结果（top_ind）从回归结果中选出Topk个结果。

关于torch的gather函数的用法可以参考这篇文章：

torch.gather用法

我们可以看到此时的input为enc_outputs_coord_unact ，其维度为1，代表纵向，按列取整，此时索引为topk_ind展平后的结果，已知topk_ind为（4，300），博主举了一个简单案例来展示这个过程：

上述部分的完整代码如下：

最终，获得筛选后的enc_topk_bboxes的特征维度为torch.Size([4, 300, 4])，通过上述过程，在进行特征向量选择的过程中，由于anchor在构造时具有倾向性，即多位于一些中心点区域，因此其anchor具有高IOU，在最后选择时，再选择这里面分类分数高的特征，从而选择高分类分数与高IOU分数的特征。

我的理解

至此，我们来最终分析一下其原理：其相较于DETR类其他方法初始随机设置查询向量（如DAB-DETR的box query一般初始为0，可认为是先验 anchor），这里RT-DETR则在Anchor初始化时给定了的假设，即目标大多位于中心区域，认为这部分的特征能够产生较高IOU的查询向量，在完成anchor初始化后，并将该anchor与Encoder得到的anchor相加，得到Encoder最终输出的anchor（enc_output_coord_unact），注意，每轮训练或者推理过程中的产生的先验anchor是固定的，即每次先验条件是相同的，但它会与Encoder得到的anchor结合后，即给定训练倾向，最终也就导致Encoder逐步产生一些具有高IOU的特征。

最终输出结果

最终将Encoder得到的特征图生成的查询向量与查询降噪生成的查询向量结合起来，输入Decoder进行下一步的操作。

最终将选择出的300与查询去噪构造的198结合起来，得到（4，498，256）的特征。

最终得到的返回值如下：

 return target, reference_points_unact.detach(), enc_topk_bboxes, enc_topk_logits

这个target就是用于输入Decoder的特征。

至此，完成了Uncertainty-minimal Query Selection过程。