DN-DETR（CVPR 2022）

DN-DETR（CVPR 2022）

Accelerate DETR Training by Introducing Query DeNoising

匈牙利匹配不稳定导致了早期训练阶段的优化目标不一致

同一个图像，query在不同时期会对不同对象进行匹配

DN-DETR在真实的GT上添加噪声：xywh，label

使用了去噪技术加速网络训练，将detr训练视为两个过程：

1. learning good anchors
2. learning relative offsets

模型

DN:denoising

denoising只是一种training方式，不会改变模型结构，只是在输入的时候做了一些改变

把decoder embedding表示为加了noise的label， anchor表示为加了noise的bbox

对于DETR原始的匹配部分，我们可以添加一个 [Unknown] label来进行区分，anchor部分保持DETR的方式不变。

indicator标识embedding是不是原始300quey之中的还是加入的有噪声的GT

learnable anchors：对于正常300query，这里传入的就是embedding参数，如果是去噪GT，就是加上噪声的GT的值。
$$o=(\mathbf{D})(\mathbf{q},F\mid A)（cross-attention-DAB-DETR）$$
o：decoder output，D：decoder，q：query，F：encoder 输出，A：attention mask

decoder query有两部分。一个是matching part。这一部分的输入是learnable anchors，其处理方式与DETR相同。也就是说，匹配部分采用二分图匹配，并学习近似具有匹配解码器输出的GT box-label对。另一部分是denoising part。这部分的输入是noised GT box-label对，在本文的其余部分中称为GT objects。去噪部分的输出旨在重建GT对象
$$\mathbf{o}=D(\mathbf{q},\mathbf{Q},F\mid A)$$
o：decoder output，D：decoder，q：带有噪声的GT，Q：300query，F：encoder 输出，A：attention mask

Denoising

notice that denoising is only considered in training, during inference the denoising part is removed, leaving only the matching part.

噪声类型：

1. 怎么加入?

2. 什么时候算？

3. For each image, we collect all GT objects and add random noises to both their bounding boxes and class labels.

4. **box噪声：**中心坐标偏移（不超过原始GT的范围）、高宽坐标缩放（可能不会同步缩放）

   Loss： L1 loss，GIOU loss（加入的去噪的框体匈和300个query就不用匈牙利匹配算loss了，去噪矿体对应的GT是知道的（？））

5. **label噪声：**标签的随意更改，

   Loss：focal loss

Attention Mask

加了Denoising之后模型的输入变为下图。原始DETR的匹配部分我们命名为Matching part，新加的denosing 部分命名为denoising part。需要注意的是，denoising part只需要在训练的时候加上，在inference的时候denoising part会直接移除，和原始模型一样，因此inference的时候不会增加计算量，训练的时候也只需要加入微小的计算量

Therefore, each query in the denoising part can be represented as $qk=\delta (t_m)$ where tm is $m-th$ GT object.
q = { g 0 , g 1 , . . . . , g P − 1 } w h e r e g p 是第 p 组 d e n o i s i n g g r o u p g p = { q 0 p , q 1 p , . . . . , q M − 1 p } M = b s 中 G T 的总和 \begin{aligned}\mathbf{q}&=\{\mathbf{g_0},\mathbf{g_1},....,\mathbf{g_{P-1}}\} where g_p是第p组denoising group \\\mathbf{g_p}&=\begin{Bmatrix}q_0^p,q_1^p,....,q_{M-1}^p\end{Bmatrix}M=bs中GT的总和\end{aligned} qgp​​={ g0​,g1​,....,gP−1​}wheregp​是第p组denoisinggroup={ q0p​,q1p​,....,qM−1p​​}M=bs中GT的总和​

$$a_{ij}=\{\begin{array}{ll}1,& \text{if }j<P\times M\text{ and }\lfloor \frac{i}{M}\rfloor \ne \lfloor \frac{j}{M}\rfloor ;\\ 1,& \text{if }j<P\times M\text{ and }i\ge P\times M;\\ 0,& \text{otherwise.}\end{array}$$

除了加noise之外，在decoder的self attention我们需要加一个额外的attention mask防止信息泄露。因为denoising部分包含真实框和真实标签的信息，直接让matching part看到denoising part会导致信息泄漏。因此，训练的时候matching part不能看到denoising part，像原始模型一样训练。额外增加的denoising part看或者不看到matching part对结果影响不大，因为denosing部分含有最多的真实框和标签。

左边做reconstruct，右边300个query做匈牙利匹配

信息泄露：

1.matching part看到group

2.group之间

为什么attention mask不阻止group和matching？

Label Embedding（decoder embedding）

和label没有多大关系，名称上的区分

decoder embedding在模型中被指定为label embedding，以支持box去噪和label去噪
还在标签嵌入中添加了一个指示器（tensor最后一维加上标识）。如果一个查询属于去噪部分，则该指示器为1，否则为0。

消融实验

不加attention mask结果很低