介紹

DEtection TRansformer (DETR)是Facebook研究團(tuán)隊(duì)巧妙地利用了Transformer 架構(gòu)開發(fā)的一個(gè)目標(biāo)檢測模型。在這篇文章中，我將通過分析DETR架構(gòu)的內(nèi)部工作方式來幫助提供一些關(guān)于它的直覺。

下面，我將解釋一些結(jié)構(gòu)，但是如果你只是想了解如何使用模型，可以直接跳到代碼部分。

結(jié)構(gòu)

DETR模型由一個(gè)預(yù)訓(xùn)練的CNN骨干(如ResNet)組成，它產(chǎn)生一組低維特征集。這些特征被格式化為一個(gè)特征集合并添加位置編碼，輸入一個(gè)由Transformer組成的編碼器和解碼器中，和原始的Transformer論文中描述的Encoder-Decoder的使用方式非常的類似。解碼器的輸出然后被送入固定數(shù)量的預(yù)測頭，這些預(yù)測頭由預(yù)定義數(shù)量的前饋網(wǎng)絡(luò)組成。每個(gè)預(yù)測頭的輸出都包含一個(gè)類預(yù)測和一個(gè)預(yù)測框。損失是通過計(jì)算二分匹配損失來計(jì)算的。

該模型做出了預(yù)定義數(shù)量的預(yù)測，并且每個(gè)預(yù)測都是并行計(jì)算的。

CNN主干

假設(shè)我們的輸入圖像，有三個(gè)輸入通道。CNN backbone由一個(gè)(預(yù)訓(xùn)練過的)CNN(通常是ResNet)組成，我們用它來生成C個(gè)具有寬度W和高度H的低維特征(在實(shí)踐中，我們設(shè)置C=2048, W=W?/32和H=H?/32)。

這留給我們的是C個(gè)二維特征，由于我們將把這些特征傳遞給一個(gè)transformer，每個(gè)特征必須允許編碼器將每個(gè)特征處理為一個(gè)序列的方式重新格式化。這是通過將特征矩陣扁平化為H?W向量，然后將每個(gè)向量連接起來來實(shí)現(xiàn)的。

扁平化的卷積特征再加上空間位置編碼，位置編碼既可以學(xué)習(xí)，也可以預(yù)定義。

The Transformer

Transformer幾乎與原始的編碼器-解碼器架構(gòu)完全相同。不同之處在于，每個(gè)解碼器層并行解碼N個(gè)(預(yù)定義的數(shù)目)目標(biāo)。該模型還學(xué)習(xí)了一組N個(gè)目標(biāo)的查詢，這些查詢是(類似于編碼器)學(xué)習(xí)出來的位置編碼。

目標(biāo)查詢

下圖描述了N=20個(gè)學(xué)習(xí)出來的目標(biāo)查詢(稱為prediction slots)如何聚焦于一張圖像的不同區(qū)域。

“我們觀察到，在不同的操作模式下，每個(gè)slot 都會學(xué)習(xí)特定的區(qū)域和框大小。“ —— DETR的作者

理解目標(biāo)查詢的直觀方法是想象每個(gè)目標(biāo)查詢都是一個(gè)人。每個(gè)人都可以通過注意力來查看圖像的某個(gè)區(qū)域。一個(gè)目標(biāo)查詢總是會問圖像中心是什么，另一個(gè)總是會問左下角是什么，以此類推。

使用PyTorch實(shí)現(xiàn)簡單的DETR

import?torch
import?torch.nn?as?nn
from?torchvision.models?import?resnet50

class?SimpleDETR(nn.Module):
"""
Minimal?Example?of?the?Detection?Transformer?model?with?learned?positional?embedding
"""
?def?__init__(self,?num_classes,?hidden_dim,?num_heads,
?????????????num_enc_layers,?num_dec_layers):
????super(SimpleDETR,?self).__init__()
????self.num_classes?=?num_classes
????self.hidden_dim?=?hidden_dim
????self.num_heads?=?num_heads
????self.num_enc_layers?=?num_enc_layers
????self.num_dec_layers?=?num_dec_layers
????#?CNN?Backbone
????self.backbone?=?nn.Sequential(
?????????*list(resnet50(pretrained=True).children())[:-2])
????self.conv?=?nn.Conv2d(2048,?hidden_dim,?1)
????#?Transformer
????self.transformer?=?nn.Transformer(hidden_dim,?num_heads,
?????????num_enc_layers,?num_dec_layers)
????#?Prediction?Heads
????self.to_classes?=?nn.Linear(hidden_dim,?num_classes+1)
????self.to_bbox?=?nn.Linear(hidden_dim,?4)
????#?Positional?Encodings
????self.object_query?=?nn.Parameter(torch.rand(100,?hidden_dim))
????self.row_embed?=?nn.Parameter(torch.rand(50,?hidden_dim?//?2)
????self.col_embed?=?nn.Parameter(torch.rand(50,?hidden_dim?//?2))
??????????????????????????????????
?def?forward(self,?X):
????X?=?self.backbone(X)
????h?=?self.conv(X)
????H,?W?=?h.shape[-2:]
????pos_enc?=?torch.cat([
??????????self.col_embed[:W].unsqueeze(0).repeat(H,1,1),
??????????self.row_embed[:H].unsqueeze(1).repeat(1,W,1)],
???????dim=-1).flatten(0,1).unsqueeze(1)
????h?=?self.transformer(pos_enc?+?h.flatten(2).permute(2,0,1),
????self.object_query.unsqueeze(1))
????class_pred?=?self.to_classes(h)
????bbox_pred?=?self.to_bbox(h).sigmoid()
????
????return?class_pred,?bbox_pred

二分匹配損失 (Optional)

讓為預(yù)測的集合，其中是包括了預(yù)測類別（可以是空類別）和包圍框的二元組，其中上劃線表示框的中心點(diǎn)，?和表示框的寬和高。

設(shè)y為ground truth集合。假設(shè)y和?之間的損失為L，每一個(gè)y?和??之間的損失為L?。由于我們是在集合的層次上工作，損失L必須是排列不變的，這意味著無論我們?nèi)绾闻判蝾A(yù)測，我們都將得到相同的損失。因此，我們想找到一個(gè)排列，它將預(yù)測的索引映射到ground truth目標(biāo)的索引上。在數(shù)學(xué)上，我們求解：

計(jì)算的過程稱為尋找最優(yōu)的二元匹配。這可以用匈牙利算法找到。但為了找到最優(yōu)匹配，我們需要實(shí)際定義一個(gè)損失函數(shù)，計(jì)算和之間的匹配成本。

回想一下，我們的預(yù)測包含一個(gè)邊界框和一個(gè)類?，F(xiàn)在讓我們假設(shè)類預(yù)測實(shí)際上是一個(gè)類集合上的概率分布。那么第i個(gè)預(yù)測的總損失將是類預(yù)測產(chǎn)生的損失和邊界框預(yù)測產(chǎn)生的損失之和。作者在http://arxiv.org/abs/1906.05909中將這種損失定義為邊界框損失和類預(yù)測概率的差異：

其中，是的argmax，是是來自包圍框的預(yù)測的損失，如果，則表示匹配損失為0。

框損失的計(jì)算為預(yù)測值與ground truth的L?損失和的GIOU損失的線性組合。同樣，如果你想象兩個(gè)不相交的框，那么框的錯(cuò)誤將不會提供任何有意義的上下文(我們可以從下面的框損失的定義中看到)。

其中，λ???和是超參數(shù)。注意，這個(gè)和也是面積和距離產(chǎn)生的誤差的組合。為什么會這樣呢？

可以把上面的等式看作是與預(yù)測相關(guān)聯(lián)的總損失，其中面積誤差的重要性是λ???，距離誤差的重要性是。

現(xiàn)在我們來定義GIOU損失函數(shù)。定義如下:

由于我們從已知的已知類的數(shù)目來預(yù)測類，那么類預(yù)測就是一個(gè)分類問題，因此我們可以使用交叉熵?fù)p失來計(jì)算類預(yù)測誤差。我們將損失函數(shù)定義為每N個(gè)預(yù)測損失的總和:

為目標(biāo)檢測使用DETR

在這里，你可以學(xué)習(xí)如何加載預(yù)訓(xùn)練的DETR模型，以便使用PyTorch進(jìn)行目標(biāo)檢測。

加載模型

首先導(dǎo)入需要的模塊。

#?Import?required?modules
import?torch
from?torchvision?import?transforms?as?T?import?requests?#?for?loading?images?from?web
from?PIL?import?Image?#?for?viewing?images
import?matplotlib.pyplot?as?plt

下面的代碼用ResNet50作為CNN骨干從torch hub加載預(yù)訓(xùn)練的模型。其他主干請參見DETR github：https://github.com/facebookresearch/detr

detr?=?torch.hub.load('facebookresearch/detr',
??????????????????????'detr_resnet50',
???????????????????????pretrained=True)

加載一張圖像

要從web加載圖像，我們使用requests庫:

url?=?'https://www.tempetourism.com/wp-content/uploads/Postino-Downtown-Tempe-2.jpg'?#?Sample?imageimage?=?Image.open(requests.get(url,?stream=True).raw)?plt.imshow(image)
plt.show()

設(shè)置目標(biāo)檢測的Pipeline

為了將圖像輸入到模型中，我們需要將PIL圖像轉(zhuǎn)換為張量，這是通過使用torchvision的transforms庫來完成的。

transform?=?T.Compose([T.Resize(800),
???????????????????????T.ToTensor(),
???????????????????????T.Normalize([0.485,?0.456,?0.406],
??????????????????????????????????[0.229,?0.224,?0.225])])

上面的變換調(diào)整了圖像的大小，將PIL圖像進(jìn)行轉(zhuǎn)換，并用均值-標(biāo)準(zhǔn)差對圖像進(jìn)行歸一化。其中[0.485,0.456,0.406]為各顏色通道的均值，[0.229,0.224,0.225]為各顏色通道的標(biāo)準(zhǔn)差。

我們裝載的模型是預(yù)先在COCO Dataset上訓(xùn)練的，有91個(gè)類，還有一個(gè)表示空類(沒有目標(biāo))的附加類。我們用下面的代碼手動定義每個(gè)標(biāo)簽：

CLASSES?=?
['N/A',?'Person',?'Bicycle',?'Car',?'Motorcycle',?'Airplane',?'Bus',?'Train',?'Truck',?'Boat',?'Traffic-Light',?'Fire-Hydrant',?'N/A',?'Stop-Sign',?'Parking?Meter',?'Bench',?'Bird',?'Cat',?'Dog',?'Horse',?'Sheep',?'Cow',?'Elephant',?'Bear',?'Zebra',?'Giraffe',?'N/A',?'Backpack',?'Umbrella',?'N/A',?'N/A',?'Handbag',?'Tie',?'Suitcase',?'Frisbee',?'Skis',?'Snowboard',?'Sports-Ball',?'Kite',?'Baseball?Bat',?'Baseball?Glove',?'Skateboard',?'Surfboard',?'Tennis?Racket',?'Bottle',?'N/A',?'Wine?Glass',?'Cup',?'Fork',?'Knife',?'Spoon',?'Bowl',?'Banana',?'Apple',?'Sandwich',?'Orange',?'Broccoli',?'Carrot',?'Hot-Dog',?'Pizza',?'Donut',?'Cake',?'Chair',?'Couch',?'Potted?Plant',?'Bed',?'N/A',?'Dining?Table',?'N/A','N/A',?'Toilet',?'N/A',?'TV',?'Laptop',?'Mouse',?'Remote',?'Keyboard',?'Cell-Phone',?'Microwave',?'Oven',?'Toaster',?'Sink',?'Refrigerator',?'N/A',?'Book',?'Clock',?'Vase',?'Scissors',?'Teddy-Bear',?'Hair-Dryer',?'Toothbrush']

如果我們想輸出不同顏色的邊框，我們可以手動定義我們想要的RGB格式的顏色

COLORS?=?[
????[0.000,?0.447,?0.741],?
????[0.850,?0.325,?0.098],?
????[0.929,?0.694,?0.125],
????[0.494,?0.184,?0.556],
????[0.466,?0.674,?0.188],
????[0.301,?0.745,?0.933]??
]

格式化輸出

我們還需要重新格式化模型的輸出。給定一個(gè)轉(zhuǎn)換后的圖像，模型將輸出一個(gè)字典，包含100個(gè)預(yù)測類的概率和100個(gè)預(yù)測邊框。

每個(gè)包圍框的形式為(x, y, w, h)，其中(x,y)為包圍框的中心(包圍框是單位正方形[0,1]×[0,1])， w, h為包圍框的寬度和高度。因此，我們需要將邊界框輸出轉(zhuǎn)換為初始和最終坐標(biāo)，并重新縮放框以適應(yīng)圖像的實(shí)際大小。

下面的函數(shù)返回邊界框端點(diǎn):

#?Get?coordinates?(x0,?y0,?x1,?y0)?from?model?output?(x,?y,?w,?h)def?get_box_coords(boxes):
????x,?y,?w,?h?=?boxes.unbind(1)
????x0,?y0?=?(x?-?0.5?*?w),?(y?-?0.5?*?h)
????x1,?y1?=?(x?+?0.5?*?w),?(y?+?0.5?*?h)
????box?=?[x0,?y0,?x1,?y1]
????return?torch.stack(box,?dim=1)

我們還需要縮放了框的大小。下面的函數(shù)為我們做了這些：

#?Scale?box?from?[0,1]x[0,1]?to?[0,?width]x[0,?height]def?scale_boxes(output_box,?width,?height):
????box_coords?=?get_box_coords(output_box)
????scale_tensor?=?torch.Tensor(
?????????????????[width,?height,?width,?height]).to(
?????????????????torch.cuda.current_device())????return?box_coords?*?scale_tensor

現(xiàn)在我們需要一個(gè)函數(shù)來封裝我們的目標(biāo)檢測pipeline。下面的detect函數(shù)為我們完成了這項(xiàng)工作。

#?Object?Detection?Pipelinedef?detect(im,?model,?transform):
????device?=?torch.cuda.current_device()
????width?=?im.size[0]
????height?=?im.size[1]
???
????#?mean-std?normalize?the?input?image?(batch-size:?1)
????img?=?transform(im).unsqueeze(0)
????img?=?img.to(device)
????
????#?demo?model?only?support?by?default?images?with?aspect?ratio????between?0.5?and?2????assert?img.shape[-2]?<=?1600?and?img.shape[-1]?<=?1600,????#?propagate?through?the?model
????outputs?=?model(img)????#?keep?only?predictions?with?0.7+?confidence
????probas?=?outputs['pred_logits'].softmax(-1)[0,?:,?:-1]
????keep?=?probas.max(-1).values?>?0.85
???
????#?convert?boxes?from?[0;?1]?to?image?scales
????bboxes_scaled?=?scale_boxes(outputs['pred_boxes'][0,?keep],?width,?height)????return?probas[keep],?bboxes_scaled

現(xiàn)在，我們需要做的是運(yùn)行以下程序來獲得我們想要的輸出：

probs,?bboxes?=?detect(image,?detr,?transform)

繪制結(jié)果

現(xiàn)在我們有了檢測到的目標(biāo)，我們可以使用一個(gè)簡單的函數(shù)來可視化它們。

#?Plot?Predicted?Bounding?Boxesdef?plot_results(pil_img,?prob,?boxes,labels=True):
????plt.figure(figsize=(16,10))
????plt.imshow(pil_img)
????ax?=?plt.gca()
????
????for?prob,?(x0,?y0,?x1,?y1),?color?in?zip(prob,?boxes.tolist(),???COLORS?*?100):????????ax.add_patch(plt.Rectangle((x0,?y0),?x1?-?x0,?y1?-?y0,??
?????????????fill=False,?color=color,?linewidth=2))
????????cl?=?prob.argmax()
????????text?=?f'{CLASSES[cl]}:?{prob[cl]:0.2f}'
????????if?labels:
????????????ax.text(x0,?y0,?text,?fontsize=15,
????????????????bbox=dict(facecolor=color,?alpha=0.75))
????plt.axis('off')
????plt.show()

現(xiàn)在可以可視化結(jié)果：

plot_results(image,?probs,?bboxes,?labels=True)