《DETRs with Collaborative Hybrid Assignments Training》 加入one to many matching 辅助头训练的DETR

DETRs with Collaborative Hybrid Assignments Training

• 背景
• 原理
• 实验

最近看到一篇不错的DETR论文，翻译了下，以作记录。
论文地址：https://arxiv.org/pdf/2211.12860.pdf
开源地址：https://github.com/Sense-X/Co-DETR

背景

自DETR新范式提出以来，有很多文章都致力于解决DETR模型训练慢、精度一般的问题。DETR将对象检测视为集合预测（set prediction）问题，并引入基于transformer encoder-decoder架构的一对一匹配（one to one matching ）方法。以这种方式，每个GT将单独分配给一个query，不再需要一对多匹配（one to many matching）的先验设计（如anchor、手工设计的GT匹配机制等）。DETR简化了检测的pipeline（指不需要nms），作为一种新范式引发了诸多DETR的变体。Deformable DETR作为DETR变体中的佼佼者，将稀疏的可变形transformer、二阶段检测、级联更新bbox等操作引入到DETR中，得到了相当不错的效果。
最近（2022年）不少论文都将目光集中在了one to one matching机制上，年初CVPR的Denosing DETR认为one to one matching机制在模型训练的初期导致了损失不稳定，GT无法很好的与query稳定的进行匹配，因此提出了加入噪声干扰的GT输入作为query，与GT进行损失计算来辅助加速DETR模型训练，该课题组在此基础上提出了DINO、Mask DINO等模型，将DETR模式推到了SOTA的水平。此后，Group DETR、H-DETR等论文通过扩展query的方式将DETR的one to one matching转换为one to many matching的模式来加速模型训练，并取得了不错的效果。
本篇论文同样将目光放在了DETR的one to one matching 问题上，作者分析了Deformable DETR，认为one to one matching探索了不太积极的query，从而导致了训练的低效。作者从encoder生成的潜在表示和decoder中的attention学习两个方面对此进行了详细分析。首先比较了Deformable DETR和one to many matching方法之间潜在特征的可分辨性得分，其中作者用ATSS的检测头替换decoder，利用每个空间坐标中特征的l2范数来表示可分辨性得分。给定encoder的输出$F\in R^{C\times H\times W}$，可以得到可分辨性得分图$S\in R^{1\times H\times W}$。当相应区域的分数较高时，可以更好地检测对象。如下图所示，通过对可分辨性得分应用不同的阈值来演示IoF-IoB曲线（IoF:前景相交，IoB:背景相交）。

ATSS中较高的IoF-IoB曲线表明其相较于Defomable DETR更容易区分前景和背景。进一步可视化可分辨性得分图$S\in R^{1\times H\times W}$：

很明显，一些显著区域中的特征在one to many matching方法中被充分激活，但在one to one matching中很少被激活。
为了探索decoder的训练问题，作者还基于Deformable DETR和Group DETR（其将更多的正样本query引入到decoder中）演示了decoder中cross attention的IoF-IoB曲线。

如图所示，太少正样本query也会影响atttention的学习，而在decoder中增加更多的正样本query可以稍微缓解这种情况。

原理

作者提出一种简单有效的辅助训练模型Co-DETR，使用通用的one to many matching来提高encoder和decoder的训练效率。具体而言，就是将一些原有的one to many matching辅助检测头（如ATSS、Faster RCNN的检测头）加在encoder的输出后进行损失训练，并将结果输出到decoder中辅助decoder进行训练。这些辅助检测头可以通过one to many matching进行监督。不同的标签分配丰富了对encoder的监督，这迫使encoder具有足够的辨别力，以支持这些辅助检测头的损失收敛。one to many matching可以引入大量正样本作为query输入decoder中，以提高decoder的训练效率。并且Co-DETR只在训练阶段加入辅助检测头，因此仅在训练阶段中引入额外的计算开销，不会影响到模型推理的效率。Co-DETR的网络结构如下图所示：

具体而言，给定encoder的输出特征$F$，首先通过多尺度适配器将其转换为特征金字塔 { F1 , . . . , FJ } \{F_1,...,F_J\} {F1​,...,FJ​}，其中$J$表示具有$2^{2+J}$下采样步长的特征图。特征金字塔由单尺度encoder中的单个特征图构建，使用双线性插值和3×3卷积进行上下采样。对于多尺度encoder，只对多尺度encoder特征F中最粗糙的特征进行下采样以构建特征金字塔。定义了$K$个具有相应标签分配方式$A_k$的辅助头，对于第$i$个辅助头， { F1 , . . . , FJ } \{F_1,...,F_J\} {F1​,...,FJ​}被发送给它以获得预测${\hat{P}}_i$。在第$i$个头，$A_i$用于计算${\hat{P}}_i$中正样本和负样本的监督目标。将$G$表示为GT集，辅助头$A_i$的计算可表示为:
P i { p o s } , B i { p o s } , P i { n e g } = A i ( P ^ i ,G) \mathbf P^{\{pos\}}_i, \mathbf B^{\{pos\}}_i, \mathbf P^{\{neg\}}_i = A_i(\hat\mathbf P_i, \mathbf G) Pi{pos}​,Bi{pos}​,Pi{neg}​=Ai​(P^i​,G)
式中， Bi { p o s } \mathbf B^{\{pos\}}_i Bi{pos}​是空间正样本所在的位置的集合。 Pi { p o s } \mathbf P^{\{pos\}}_i Pi{pos}​和 Pi { n e g } \mathbf P^{\{neg\}}_i Pi{neg}​是相应位置的监督目标，包括类别和回归偏移。损失函数可以定义为：
L i e n c = L i ( P ^ i { p o s } , P i { p o s } )+ L i ( P ^ i { n e g } , P i { n e g } ) L^{enc}_i = L_i(\hat P^{\{pos\}}_i, P^{\{pos\}}_i) + L_i(\hat P^{\{neg\}}_i, P^{\{neg\}}_i) Lienc​=Li​(P^i{pos}​,Pi{pos}​)+Li​(P^i{neg}​,Pi{neg}​)
对于$K$个辅助检测头，其损失函数可定义为：
$$L^{enc}=\sum _{i=1}^K{L}_i^{enc}$$
在one to one matching中，每个GT框将仅分配给一个特定query作为监督目标。太少的正样本query导致decoder中的cross attentation学习效率低下。为了缓解这一问题，根据每个辅助头中的标签分配$A_i$生成了足够的正样本query。具体来说，给定第$i$个辅助头中的正坐标集 Bi { p o s } ∈ R M i × 4 \mathbf B^{\{pos\}}_i\in R^{M_i×4} Bi{pos}​∈RMi​×4 ，其中$M_i$是正样本的数量，额外的正样本query $Q_i\in R^{M_i\times C}$可通过以下方式生成：
Q i =Linear(PE( B i { p o s } ))+Linear(E( F ∗ , p o s )) Q_i = Linear(PE(\mathbf B^{\{pos\}}_i)) + Linear(E({F_∗}, {pos})) Qi​=Linear(PE(Bi{pos}​))+Linear(E(F∗​,pos))
因此，有$K+1$组query有助于单个one to one matching分支，$K$个分支在训练期间具有one to many matching。辅助one to many matching的分支与原始主分支中的$L$个decoder层共享相同的参数。辅助分支中的所有query都被视为正样本query，因此匹配过程被丢弃。具体而言，第$i$个辅助分支中的第$l$个decoder层的损失可以定义为：
L i , l d e c = L ~ ( P ~ i , l , P i { p o s } ). L^{dec}_{i,l} = \tilde L(\tilde \mathbf P_{i,l}, \mathbf P^{\{pos\}}_i). Li,ldec​=L~(P~i,l​,Pi{pos}​).
Co-DETR的全体损失函数可被定义为：
$$L^{global}=\sum _{j=1}^L({\tilde{L}}_l^{dec}+{\lambda }_1\sum _{i=1}^K{L}_{i,l}^{dec}+{\lambda }_2{L}^{enc})$$
式中，${\tilde{L}}_l^{dec}$为原始主分支中$L$个decoder层的损失。

实验

作者并保持训练设置与baseline一致，将Co-DETR引入到Deformable DETR++（two stage 和+iterative bounding box refinement）中。采用ATSS和Faster RCNN作为K=2的辅助头，采用ATSS作为K=1的辅助头。将query的数量设置为300，并默认将${\lambda }_1$设为1.0，${\lambda }_2$设为2.0。

可以看到CO-DETR取得了相当不错的效果。

当采用MixMIM作为主干网络并采用Objects365进行预训练时，CO-DETR将COCO mAP提升到了64.4，几乎达到了SOTA水平。以更少的额外数据大小实现了卓越的性能。

如果与DINO中的Denosing机制联合使用，是否会带来更好的提升，希望可以看到后续跟进的report或者论文。

来源地址：https://blog.csdn.net/blanokvaffy/article/details/128032953