七、IOU-aware query selection

下图是原始DETR。content query 是初始化为0的label embedding, position query 是通过nn.Embedding初始化的一个嵌入矩阵，这两部分没有任何的先验信息，导致DETR的收敛慢。

 RT-DETR则提出要给这两部分（content query & position query）都加上先验信息；

从memory中取一部分表现好的（类别预测准确 & 预测框定位准确）query作为decoder的输入

---

存在问题

Efficient DETR,Deformable DETR，DINO这几个方法都是使用类别置信分数从编码器中选择前K个特征，作为目标查询（或位置查询）的初始化。然而，由于检测器需要同时建模目标的类别和位置，这两者共同决定了特征的质量。当前的查询选择方法在所选特征中引入了较高的不确定性，导致解码器的初始化次优。

---

 解决方法

提出了最小不确定性查询选择（Uncertainty-Minimal Query Selection）方案，该方案通过显式构建和优化编码器特征的模型不确定性（epistemic uncertainty）

目的是让低IOU 的预测框有低的置信度，高IOU的预测框有高的置信度；

memory左边通过位置检测头计算出坐标的相对位置，加上在feature map平铺的anchor得到绝对位置坐标；

右边通过类别检测头得到类别信息，提取top-300（对于每一个query挑选出置信度最高的类别作为query的预测类别，然后再对所有query的预测类别置信度最高的300个query）；

让左右两边预测出的坐标与类别计算损失；（损失部分详细解读）

---

有效性分析

• 蓝色点---vanilla query selection ,普通的（top-k类别置信度）query选择方案；
• 红色点---IOU-aware uery selection

越靠近右上角质量越高

---

代码解读

通过_get_decoder_input()函数生成decoder输入

 通过_get_decoder_input()函数，从memory中挑选出top-300的query;将挑选出来的300个query与denoising部分加噪生成的200个queryconcat在一起从而生成decoder的输入；

---

_get_decoder_input()函数输入

• memory:hybrid encoder的输出，如下图；

memory,spatial_shape: _get_encoder_input()返回值：

---

生成anchor

grid_size: 在72*72的feature map上生成的anchor高和宽的默认值是0.05（在归一化特征图尺度下锚框的宽高，剋理解为一个锚框占整个特征图的5%大小）；在36*36的feature map上默认是0.05 *2 ； 18*18上默认是0.05*2*2；

通过for循环一次迭代出每一个feature map的尺寸；

 通过meshgrid生成二维网格坐标，组合成（x，y）格式；

将网格坐标加上0.5表示网格的中心位置；

除以宽高对网格坐标进行归一化；

计算每个特征层上的锚框的宽高：低层特征图（72*72）锚框更小，适用于小目标，例如lvl=0时，\wh=0.05;高层特征图（18*18）锚框更大，适用于检测大目标，例如lvl=2,wh=0.05*2*2=0.2;

然后concat  wy和wh,reshape成序列形式，注意这里的xywh都是归一化的形式：

注意这部分anchor大小的理解：

S3是72*72，属于低层特征图，归一化后的wh大小是0.05,8是感受野大小，3.6是在72的特征图上anchor大小，相乘得到的28.8是一个anchor投射到原图像上的尺寸大小；

在这三个不同尺度的特征图上，anchor归一化的尺寸不同，但映射回各自的特征图上的实际wh都是一样的；

低层特征图的anchor小，用于检测小目标；

高层特征图的anchor大，用于检测大目标；

---

 concat 三个特征图归一化后的anchor尺寸；

valid_mask:布尔张量，anchor都在（0.01，0.99）范围内，置为1；超出这个范围被认为是无效anchor，置为0;

---

使用sigmoid的反函数将anchor映射回实数空间 ，避免模型的梯度会变得非常小（饱和问题），影响训练效果；

将无效anchor的位置置为无穷大；

---

类别检测头和预测框检测头

topk_ind:通过类别置信度排序选取的top-300在enc_outputs_class 6804 中对应的索引；‘

根据topk_ind索引在enc_outputs_coord_unact提取出对应的300个bbox坐标；

 注意target,有梯度分离操作，保证在反向传播过程中不会影响这部分梯度；

最后的返回值：

target：是denoising部分和IOU-aware部分concat的内容；

reference_points_unact:是denoising部分和IOU-aware部分concat的内容；

target和reference_points_unact是decoder的输入；

enc_topk_bboxes和enc_topk_logitstargettarget需要用来做损失计算；

---

 八、Decoder

bbox_head:坐标检测头，ModuleList：6，不同的layer使用不同的检测头

score_head:类别检测头，同bbox

---

---

 query_pos_head:MLP，用来将坐标位置的xywh编码为256的向量；因为要和内容部分相加，所以尺寸需要保持一致；

---

 每一层的输出都是下一层的输入：

---

创建两个列表保存每层decoder的类别输出和坐标输出

---

Multi-Scale Deformable Attention

---

DecoderLayer输出

 将decoder的输出经过一个bbox检测头，得到的结果是一个相对与ref_points_detach的偏移量；

ref_points_detach通过sigmoid反函数将值映射回原始值 再加上 bbox检测头得到的偏移量；

相加结果再经过sigmoid得到预测出的绝对位置归一化后的值；

得到的这个结果会赋给下一层decoder的输入部分；即下一个decoder会将上一层decoder调整过偏移量后的坐标作为基准坐标；

---

 完整decoder输出

最后6层Decoder结束后，返回的是每一层的bbox和score 预测结果：