[迁移学习]DA-DETR基于信息融合的自适应检测模型

news2025/1/11 11:30:59

原文标题为：DA-DETR: Domain Adaptive Detection Transformer with Information Fusion；发表于CVPR2023

一、概述

本文所描述的模型基于DETR，DETR网络是一种基于Transformer的目标检测网络，详细原理可以参见往期文章：[自注意力神经网络]DETR目标检测网络。本文在DETR模型的基础上，引入了信息融合机制，可以有效的实现从有标记的源域向无标记的目标域之间的转移。

相较于传统的两段式网络（Two-Stage；如Faster RCNN），DETR可以通过CNN骨干网络获得低层次的定位特征（如对象周围的边缘）通过Transformer Head获得全局像素间的关系和高级语义特征。融合这两种不同层次的信息可以有效的解决域自适应问题。

本文创造性的提出了CTBlender（CNN-Transformer Blender）的概念。其原理是使用Transformer Head中的高级语义特征来有条件的调节CNN主干中的低级特征。CTBlender由两个组件构成：

①分裂-合并融合（split-merge fusion；SMF）：将CNN特征分为多个具有不同语义的组；再通过Transformer捕获这些语义信息；然后将这些通过并排合并（便于不同组之间有效的通信）

②多尺度聚合融合（scale aggregation fusion；SAF）：通过融合多尺度特征的语义信息和本地化信息来聚合SMF获得的特征。

二、模型&方法

1.Deformable-MSA

DETR采用“编码器-解码器”模式，对于给定的图像 $x$ ，先由骨干网络 $G$ 生成特征向量 $f$ ，然后通过Transformer对其进行编解码，Transformer由多头注意力模块组成，可以定义为公式：

$MSA(z_q,f)=\sum^H_{h=1}P_H[\sum SA_{hqk} \cdot {P_H}'f_k]$ ；其中 $MSA$ 是由 $H$ 个单头注意力构成， $z_q$ 和 $f_k$ 表示查询元素和关键元素， $P_H \in R^{d \times d_h}$ 和 ${P_H}' \in R^{d \times d_h}$ 为可学习的投影权重，而 $SA_{hqk}$ 一种缩放的点注意力（将查询和键值映射到输出中），可以描述为公式：

$SA_{hqk} \propto exp(\frac{Z_q^TU_m^TV_mf_c}{\sqrt{d_h}})$ ；其中 $U_m,V_m$ 均为可学习权重。

本文提出了一种Deformable-Transformer（可变形Transformer）来代替传统的Transformer，这种结构拥有更快的收敛速度，其可以表述为：

$D-MSA(Z_q,p_q,f)=\sum^H_{h=1}P_H[\sum_kSA_{hqk}\cdot {P_H}'f(p_q+\delta p_{hqk})]$ ；其中 $\delta p_{hqk}$ 为第k个采样点的偏移量， $SA_{hqk}$ 为关注权重，改结构可以有效的缓解DERT收敛慢的问题，同时可变形的特点也适合从骨干网络中融合多尺度特征结构。

2.网络结构

网络总体结构如上图所示，整个网络可以被描述为公式：

$L_{det}=l(T(G(x_s)),y_s)$ ；其中 $x_s$ 为源域图像, $y_s$ 为源域标签， $G$ 为骨干网络， $T$ 为DERT Head， $l$ 为匈牙利损失函数。

从结构图可以看出，与传统DERT相比，其最大的区别是加入了CTBlender模块用于进行非监督的域适应训练。故其用于监督学习的分支①与传统DERT相同，通过将损失函数 $L_{det}$ 前向传递即可完成训练。

对于无监督训练，CTBlender以源图和目标图的CNN的多尺度特征向量 $f^l(l=1,2,3,4)$ 和Transformer编码的语义向量 $p^l(l=1,2,3,4)$ 作为输入，CTBlender的输出将作为鉴别器（Discriminator）的输入，计算得出用于域间对齐的对抗损失函数 $L_{adv}$ ，可以表述为公式：

$L_{adv}=E_{(f,p)}\in D_s log C_d(H(f,p))+E_{(f,p)}\in D_t log(1-C_d(H(f,p)))$ ；其中 $f=G(x),p=E(G(x))$ ， $G$ 是骨干网络函数， $E$ 为Transformer编码器函数， $H$ 为CTBlender函数 $C_d$ 为鉴别器。

DA-DERT的总体优化函数可以描述为： $\underset{C_d}{max}\, min L_{det}(G,T)-\lambda L _{adv}(H,C_d)$

3.CTBlender

CTBlender由两个模块组成：SMF（负责混合CNN和Transformer的特征）和SAF（负责融合不同尺寸的加权特征图），其具体结构如下：

①SMF

由于SMF对每层的操作都是一样的，原文选择 $l=1$ 时的数据进行展示。首先将CNN的特征图 $f^1$ 和Transformer的语义特征 $p^1$ 拆分(split)为多个组，（ $f^1$ 和 $p^1$ 沿着通道均分为 $K$ 个组）并通过空间(Spatial-wise)和通道(Channel-wise)两个方向进行融合；融合后的特征与信道进行合并(merge)。

空间融合：分裂的 $p^1$ 特征首先进行归一化，然后通过可学习权重图对偏置图(bias map)进行重加权，可以描述为公式：

$\hat{p}^1_{ks}=f_s(w_s \cdot GN(p_k^1)+b_s)$ ；其中 $f_s()$ 的输出范围限定在[0,1]

通道融合：分裂的 $p^1$ 通过全局池化进行压缩，然后通过可学习权重图对偏置图(bias map)进行重加权，可以描述为公式：

$\hat{p}^1_{kc}=f_s(w_c \cdot GAP(p_k^1)+b_c)$ ；其中GAP为全局平均池化(Global Average Pooling)， $f_s()$ 的输出范围限定在[0,1]

利用上面求出的权重 $\hat{p}^1_{ks}$ 和 $\hat{p}^1_{kc}$ 在对应的方向上对分裂后的特征图 $f_k^1$ 进行重新加权，得到加权后的特征图 $\hat{f}_k^1$ ，然后沿着通道方向对 $\hat{f}^1_k$ 进行K次混洗(shuffle)，将混洗后的特征图融合为 $\hat{f}^1$

②SAF

将SMF得到的多尺度加权特征图组 $\hat{f}=\{\hat{f}^l\}^L_{l=1}$ 通过全局平均池化(GAP)压缩为向量组 $u=\{u^l\}^L_{l=1}$ 。首先通过逐元素求和的方法将通道方向的向量求和为 $u_m$ ；然后通过全连接层将向量 $u_m$ 和对应的权重向量 $\alpha^l$ 连接（ $\alpha^l \in R^{c \times 1 \times 1}$ ）；最后将文本信息嵌入到向量 $V_a$ 中，可描述为公式： $V_a=\sum^L_{l=1}\hat{f}^l \cdot \alpha^l$ 。