Last updated
Last updated
題名: End-to-End Object Detection with Transformers
論文:
実装例:
公式(Facebook AI)
Transformerをネックとして使用。
これによりanchor boxやNMSなどのハンドメイドな設計部分を排除。
またanchor lessに対応するために、固定数のbboxにhungarian algorithmで割り当てを実施するロス関数を提案。
比較対象はFaster R-CNNなので、まだまだこれからという印象。
以下２点がポイントである。
予測されたbboxとground truthを対応付けて計算するためのロス関数
オブジェクトの集合をEnd-to-Endで予測するアーキテクチャ
DETRはN個の予測されたbboxを出力する。
Nは１つの画像中の典型的なオブジェクト数より大きく設定する。
N個のbboxはクラス数+1(no object分で、ラベリングされる。
ground truthの物体数は、そのクラスに割り当てる
物体ではない残りのbboxはno objectに割り当てる。
この最適なペアのマッチングを二部マッチング問題とみなし、 Hungarian algorithmでラベルを割り当てる。
具体的なロスの流れは以下の通りである。
まず、bbox回帰L_boxのロスにはGIoUを用いる。
これによりマッチングのロスL_matchを以下のように計算する。
p^をどう計算するのかまだわかってない。
p^はモデルが出力するconfidenceかな...？
no objectは計算には含めない。
L_matchを使い、Hungarian algorithmで割り当てを決める。
この割り当て結果から以下を計算する。
対数化は、L_boxとのバランスが目的らしい...？
クラス不均衡対策のため、no objectの場合は、class lossの項を10の固定値としている。
ネットワーク構成の全体像は以下である。
backboneから出力される特徴量マップ(H, W, C)をconv1x1でd次元に圧縮。
その後、空間方向をflattenとして(HW, d)をencoderの入力とする。
encoder-decoder構成は通常のtransformerと同じ構成。
object queriesの数がNであり、N個の候補が出力される。
decoderの出力は、N個のd次元ベクトルとなるため、それぞれに対して全結合層からなる２つのヘッドを付ける。
bboxの４軸（相対値）
クラス数+1個のconfidence（softmaxにより計算）
Auxiliary lossを効果があったので使ったと記載がある。
以下が参考となるが、途中層のにhead部をくっつけてロスを計算する。
https://magattaca.hatenablog.com/entry/2021/09/19/003636#1-Auxiliary-loss
DETRでは、decoder layersのそれぞれの層に、head部をつけて計算する。
また、異なるdecoder layerからの予測FFNへの入力を正規化するために、追加のlayer-normを使用する。
ResNet-50とResNet-101を用いる。
これらをDETRとDETR-R101と呼ぶ。
また小さな物体を検出するために、convのstage5にdialeted convを入れる。
これにより解像度を倍とすることができるが、計算コストも倍増する。
これらのモデルをDETR-DC5、DETR-DC5-R101と呼ぶ。
二部マッチング問題について
https://qiita.com/drken/items/e805e3f514acceb87602
Hungarian algorithm
https://qiita.com/m__k/items/8e2cb9067ec5d720c30d
解説は豊富
https://qiita.com/sasgawy/items/61fb64d848df9f6b53d1
https://deepsquare.jp/2020/07/detr/
https://qiita.com/DeepTama/items/937e13f6beda79be17d8
https://club.informatix.co.jp/?p=1265
Auxiliary lossについて
https://magattaca.hatenablog.com/entry/2021/09/19/003636#1-Auxiliary-loss
