原理大家参考这篇文章，我主要是根据自己的理解和整个流程图以及代码进行对应，这样更有利于深入理解：

下图是解码器结构图，编码器没动和deter一样的

这张图片基本上说清了模型的结构和传递过程，红色×代表切断梯度反向传播，每层都会进行单独的反向传播，这里需要几点特别注意：

从下往上看

1. 解码器的自注意力层输入Q仍然有两部分构成query 和query_pose，正常的query的shape是[batch,300,256],query_pose的shape是[batch,300,4]， 而且query初始化任然全为0向量，而query_pose是可学习的，因为作为输入都是向量，而query_pose是坐标，因此需要通过位置编码把坐标编码为向量即shape由[batch,300,4]->[batch,300,256],然后二者就可以相加作为Q了。

 

2. 解码器的交叉注意力层的Q也是由两部分组成即query和query_pose，自注意力层的输出作为内容query，shape为[batch,300,256]，而位置query由两部分组成，输入的query（自注意力的输入）和可学习的query_pose进行相乘得到。shape仍然为[batch,300,256]

 

3. 使用宽高对解码器的注意力图进行调制，是通过对Q进行调制进行的，他是怎么做的呢？

简单来说他是通过位置query即pose_query来达到调制的,使用位置query_pose（这是坐标）通过位置编码使得坐标转成位置向量记作pose_query_embeding，然后使用query（注意力层的输入）通过mlp回归出宽高这里起名叫self_query_pose，然后使用self_query_pose/query_pose,然后在乘上pose_query_embeding,得到的结果作为最终调制，然后直接进行拼接

4. 交叉注意力层输出的结果进行位置更新和切断位置梯度

从代码可以看到输出后直接进行坐标回归计算变化量，然后对位置进行调整，同时关闭了梯度计算，这样每层都会单独的进行更新

下面这张图更清晰：

以上就是DAB的整体结构和思路，该模型给我的感觉在于，清晰的解释了pose_query的含义，同时对于位置的回归和融入进行了各种的转换，给我的感觉是，原来query可以这样用，而且使用wh对attention进行约束，他不是直接作用attention，而是通过输入的Q进行，而尺度的计算通过位置query和内容query对位置的回归进行规范化，然后作用embeding,最后和Q进行拼接形成最终的输入，这一套思路可以来上是神来之笔，很清晰，很明了，而且都是可学习的，这里后续就可以做很多操作了。最后跟新权重时，针对每层的输出回归的位置，进行梯度切断，这样每层只负责自己的跟新更有利于模型的针对当前层的学习，以上就是我的一些梳理，大家尽量跑跑代码