参考：https://www.bilibili.com/video/BV1md4y1s7nW/?spm_id_from=333.788&vd_source=156234c72054035c149dcb072202e6be

补充：decoder更关注边缘特征

补充：
spatial pos.enc.：空间位置编码。包含encoder和decoder的空间位置编码
output pos.enc.：输出位置编码。learned at input：只给decoder第一个层位置编码，learned at attention：decoder的每层都给位置编码。

补充：FFN是全连接+dropout+全连接

q=k=backbone输出的图像特征+位置编码
v=src=backbone输出的图像特征
encoder和decoder各有6层。loss设计了两种方式，第一种只取decoder最后一层算loss，第二种取decoder每一层算loss。