DAB-DETR的作者在Deformable-DETR基础上，将DAB-DETR的思想融入到了Deformable-DETR中，取得了不错的成绩。今天博主通过源码来学习下DAB-Deformable-DETR模型。
首先我么看下Deformable的创新之处：

Deformable-DETR创新

多尺度融合

首先便是老生常谈但却不得不提的多尺度融合问题，作者将ResNet50的后三层作为输出，并将其融合在一起送入Transformer。

可变形注意力机制

这是Deformable-DETR的主要创新点，即可变形的注意力。详细介绍可以看博主这篇博文：

Deformable-DETR模型学习记录

接下来我们便从源码入手来学习DAB-Deformable-DETR

DAB-Deformable-DETR整体模型

首先来到DAB-Deformable-DETR的模型构建文件DAB-Deformable-DETR.py
通过预处理的样本数据samples：
我们主要看两个数据，分别是tensors,这是送入DAB-Deformable-DETR模型的样本数据，为torch.Size([2, 3, 608, 760])，分别代表batch-size=2，channel=3，width=608，height=760。
其次便是mask，这是图像进行尺寸统一后进行填充后得到的掩码信息，其表示哪些是填充的部分，哪些是图像本身，为 torch.Size([2, 608, 760])。

随后将样本数据送入backbone，原本是resnet50，但这里博主由于显存限制便把backbone改为resnet18。

features, pos = self.backbone(samples)

得到features有三个，分别为 Resnet8 倒数3层的输出结果，对应论文中第一个创新点：多尺度特征信息。此外还有对应的位置编码信息pos。（pos数据的维度信息与feature相同）
feature数据的维度信息分别为：torch.Size([2, 256, 76, 95]) torch.Size([2, 256, 38, 48]) torch.Size([2, 256, 19, 24])

随后对feature进行处理，获得送入Transformer模块的src与mask。获得的srcs包含三个数据，即分别为torch.Size([2, 256, 76, 95]) torch.Size([2, 256, 38, 48]) torch.Size([2, 256, 19, 24]) ，mask相比只是少了通道维度。

srcs = []
masks = []
for l, feat in enumerate(features):
      src, mask = feat.decompose()
      srcs.append(self.input_proj[l](src))
      masks.append(mask)
      assert mask is not None

紧接着对feature最后一层进行处理，将其生成src，初次之外还生成了对应的mask，添加到srcs。其对应下图：

 if self.num_feature_levels > len(srcs):
            _len_srcs = len(srcs)
            for l in range(_len_srcs, self.num_feature_levels):
                if l == _len_srcs:
                    src = self.input_proj[l](features[-1].tensors)
                else:
                    src = self.input_proj[l](srcs[-1])
                m = samples.mask
                mask = F.interpolate(m[None].float(), size=src.shape[-2:]).to(torch.bool)[0]
                pos_l = self.backbone[1](NestedTensor(src, mask)).to(src.dtype)
                srcs.append(src)
                masks.append(mask)
                pos.append(pos_l)

其中mask = F.interpolate(m[None].float(), size=src.shape[-2:]).to(torch.bool)[0]，m为torch.Size([2, 608, 760])，m 转化为与 src 相同大小的mask为 torch.Size([2, 10, 12])
在该项目中，不启用双阶段，并使用dab方法，紧接着执行下面的步骤。
得到 refanchor：torch.Size([300, 4]) tgt_embed：torch.Size([300, 256])，随后将其拼接得到
query_embeds torch.Size([300, 260])（按照dim=1维度拼接）

    if self.num_patterns == 0:
        tgt_embed = self.tgt_embed.weight           # nq, 256
        refanchor = self.refpoint_embed.weight      # nq, 4
        query_embeds = torch.cat((tgt_embed, refanchor), dim=1)

随后将数据送入Transformer模型，得到输出结果如下：

hs, init_reference, inter_references, enc_outputs_class, enc_outputs_coord_unact = self.transformer(srcs, masks, pos, query_embeds)

hs：torch.Size([6, 2, 300, 256]) 语义特征信息
init_reference：torch.Size([300, 4])
inter_references：torch.Size([6, 2, 300, 4]) 参考点box
enc_outputs_class：None
enc_outputs_coord_unact：None

最终，hs还要经过分类头与回归头，回归头获得的box与inter_references相加。

        outputs_classes = []#存放分类结果
        outputs_coords = []#存放box结果
        for lvl in range(hs.shape[0]):#6层
            if lvl == 0:
                reference = init_reference#初始化的，没变
            else:
                reference = inter_references[lvl - 1]
            reference = inverse_sigmoid(reference)#反归一化
            outputs_class = self.class_embed[lvl](hs[lvl])#6个分类头，各自预测各自的 torch.Size([2, 300, 91])
            tmp = self.bbox_embed[lvl](hs[lvl])#6个回归头 torch.Size([2, 300, 4])
            if reference.shape[-1] == 4:
                tmp += reference#预测出box结果加上reference，默认为4
            else:
                assert reference.shape[-1] == 2
                tmp[..., :2] += reference
            outputs_coord = tmp.sigmoid()#获取输出box结果并进行归一化
            outputs_classes.append(outputs_class)
            outputs_coords.append(outputs_coord)
        outputs_class = torch.stack(outputs_classes)#凭借输出结果
        outputs_coord = torch.stack(outputs_coords)

reference = inverse_sigmoid(reference)后的结果：

outputs_coord = tmp.sigmoid()获取输出box结果并进行归一化

最终获得outputs_classes:list值有6个，每个为 torch.Size([2, 300, 91])

经过outputs_class = torch.stack(outputs_classes)后为：torch.Size([6, 2, 300, 91])

outputs_coord也预祝同理，变为 torch.Size([6, 2, 300, 4])
最终将结果返回即可。由此可见，DAB-Deformable-DETR的外部逻辑并没有发生太大变化，我们重点来看看Transformer内部如何变化。

Transformer模块

首先由于在骨干网络模块引入了多尺度特征，那么在Encoder前的处理也发生了变化。
进入Transformer模块是由此开始的。

hs, init_reference, inter_references, enc_outputs_class, enc_outputs_coord_unact = self.transformer(srcs, masks, pos, query_embeds)

传入的参数为：
srcs：经过backbone获得的语义特征信息，list形式，共4个值，分别为：
torch.Size([2, 256, 76, 95]) torch.Size([2, 256, 38, 48])
torch.Size([2, 256, 19, 24]) torch.Size([2, 256, 10, 12])`

masks：掩码值，有4个，每个大小与对应层的src相同，只是没有通道维度，如 mask0:torch.Size([2, 76, 95])，mask1：torch.Size([2, 38, 48])

pos：位置编码，维度与srcs相同。
query_embeds：torch.Size([300, 260])，这个是通过下面代码拼接得到的。

tgt_embed = self.tgt_embed.weight           # nq, 256
refanchor = self.refpoint_embed.weight      # nq, 4
query_embeds = torch.cat((tgt_embed, refanchor), dim=1)

随后我们进行Transformer模块，首先是先对输入的backbone数据进行预处理，先定义变量：

src_flatten = []
mask_flatten = []
lvl_pos_embed_flatten = []
spatial_shapes = []

对srcs,masks,pos进行转换：
注意：lvl_pos_embed = pos_embed + self.level_embed[lvl].view(1, 1, -1)（可学习的参数）

self.level_embed = nn.Parameter(torch.Tensor(num_feature_levels, d_model))

self.level_embed[lvl]是Transformer模块自定义的参数，为【4，256】，取其中一个即为256，随后经过view变为1X1X256，则可与pos_embed（torch.Size([2, 7220, 256]))相加，即在前2X7220中，每个256相加。相加完维度lvl_pos_embed与pos_embed相同，为torch.Size([2, 7220, 256])

for lvl, (src, mask, pos_embed) in enumerate(zip(srcs, masks, pos_embeds)):
            bs, c, h, w = src.shape
            spatial_shape = (h, w)
            spatial_shapes.append(spatial_shape)
            src = src.flatten(2).transpose(1, 2)# 由bs,c,h,w变为bs, hw, c
            mask = mask.flatten(1)#由bs,h,w变为 bs, hw
            pos_embed = pos_embed.flatten(2).transpose(1, 2)#由bs,c,h,w变为bs, hw, c
            lvl_pos_embed = pos_embed + self.level_embed[lvl].view(1, 1, -1)
            lvl_pos_embed_flatten.append(lvl_pos_embed)
            src_flatten.append(src)
            mask_flatten.append(mask)

最终得到转换后的src mask pos （其实就是做了个维度转换）。如下：

随后src在第二维进行拼接，即将所有的src（共四层，list形式）变为 torch.Size([2, 9620, 256])
同理，mask,pos也做相同变换。

src_flatten = torch.cat(src_flatten, 1)     # bs, \sum{hxw}, c 
mask_flatten = torch.cat(mask_flatten, 1)   # bs, \sum{hxw}
lvl_pos_embed_flatten = torch.cat(lvl_pos_embed_flatten, 1)

spatial_shapes：[(76, 95), (38, 48), (19, 24), (10, 12)]，truple格式经转换：

spatial_shapes = torch.as_tensor(spatial_shapes, dtype=torch.long, device=src_flatten.device)

得到Tensor格式

tensor([[76, 95],
[38, 48],
[19, 24],
[10, 12]], device=‘cuda:0’)

获取每个leavel的初始index（我们将4个level的值拼接在一起了）

level_start_index = torch.cat((spatial_shapes.new_zeros((1, )), spatial_shapes.prod(1).cumsum(0)[:-1]))

得到：level_start_index 为 tensor([ 0, 7220, 9044, 9500], device=‘cuda:0’)

valid_ratios = torch.stack([self.get_valid_ratio(m) for m in masks], 1)

get_valid_ratio方法定义如下：该方法的作用其实是返回一个扩张比例值（即占长宽比例），维度为torch.Size([2, 4, 2])，即batch=2，4为每个layer，2为长宽比例

def get_valid_ratio(self, mask):
    _, H, W = mask.shape
    valid_H = torch.sum(~mask[:, :, 0], 1)
    valid_W = torch.sum(~mask[:, 0, :], 1)
    valid_ratio_h = valid_H.float() / H
    valid_ratio_w = valid_W.float() / W
    valid_ratio = torch.stack([valid_ratio_w, valid_ratio_h], -1)
    return valid_ratio

完整代码如下：

		src_flatten = []
        mask_flatten = []
        lvl_pos_embed_flatten = []
        spatial_shapes = []
        for lvl, (src, mask, pos_embed) in enumerate(zip(srcs, masks, pos_embeds)):
            bs, c, h, w = src.shape
            spatial_shape = (h, w)
            spatial_shapes.append(spatial_shape)
            src = src.flatten(2).transpose(1, 2)                # bs, hw, c
            mask = mask.flatten(1)                              # bs, hw
            pos_embed = pos_embed.flatten(2).transpose(1, 2)    # bs, hw, c
            lvl_pos_embed = pos_embed + self.level_embed[lvl].view(1, 1, -1)
            lvl_pos_embed_flatten.append(lvl_pos_embed)
            src_flatten.append(src)
            mask_flatten.append(mask)
        src_flatten = torch.cat(src_flatten, 1)     # bs, \sum{hxw}, c 
        mask_flatten = torch.cat(mask_flatten, 1)   # bs, \sum{hxw}
        lvl_pos_embed_flatten = torch.cat(lvl_pos_embed_flatten, 1)
        spatial_shapes = torch.as_tensor(spatial_shapes, dtype=torch.long, device=src_flatten.device)
        level_start_index = torch.cat((spatial_shapes.new_zeros((1, )), spatial_shapes.prod(1).cumsum(0)[:-1]))
        valid_ratios = torch.stack([self.get_valid_ratio(m) for m in masks], 1)

Encoder模块

随后将数据送入Encoder模块

memory = self.encoder(src_flatten, spatial_shapes, level_start_index, valid_ratios, lvl_pos_embed_flatten, mask_flatten)

首先看看送入的参数值：
src_flatten：torch.Size([2, 9620, 256]) 展平后的src(backbone的提取结果）
spatial_shapes：各个层的大小。

tensor([[76, 95],
        [38, 48],
        [19, 24],
        [10, 12]], device='cuda:0')

level_start_index：tensor([ 0, 7220, 9044, 9500], device=‘cuda:0’)
valid_ratios：torch.Size([2, 4, 2]) 各层的缩放比例：

tensor([[[1.0000, 1.0000],
         [1.0000, 1.0000],
         [1.0000, 1.0000],
         [1.0000, 1.0000]],
        [[0.8421, 0.8421],
         [0.8542, 0.8421],
         [0.8750, 0.8421],
         [0.9167, 0.9000]]], device='cuda:0')

上面比例中第一张全为1，说明其比较大，第二张是padding到与第一张相同大小。

lvl_pos_embed_flatten：torch.Size([2, 9620, 256]) 展平后的位置编码信息
mask_flatten：torch.Size([2, 9620]) 展平后的掩码信息

进入Encoder中，该模块从整体结构上没有变化：

生成参考点坐标。

reference_points = self.get_reference_points(spatial_shapes, valid_ratios, device=src.device)

得到 reference_points 为 torch.Size([2, 9620, 4, 2]) 其各维度代表的含义为：batch=2
4个WH相加后为9620，4为4层，2为x，y值。
生成时，以0.5开始，以1为间隔，减去0.5结束，生成网格点（参考点坐标），为防止网格点不存在，还要乘以其缩放比例。

meshgrid 函数用来生成网格矩阵，可以是二维网格矩阵
linspace函数：通过定义均匀间隔创建数值序列。指定间隔起始点、终止端，以及指定分隔值总数（包括起始点和终止点）；最终函数返回间隔类均匀分布的数值序列。请看示例：

np.linspace(start = 0, stop = 100, num = 5)

   def get_reference_points(spatial_shapes, valid_ratios, device):
        reference_points_list = []
        for lvl, (H_, W_) in enumerate(spatial_shapes):
            ref_y, ref_x = torch.meshgrid(torch.linspace(0.5, H_ - 0.5, H_, dtype=torch.float32, device=device),
                                          torch.linspace(0.5, W_ - 0.5, W_, dtype=torch.float32, device=device))
            ref_y = ref_y.reshape(-1)[None] / (valid_ratios[:, None, lvl, 1] * H_)
            ref_x = ref_x.reshape(-1)[None] / (valid_ratios[:, None, lvl, 0] * W_)
            ref = torch.stack((ref_x, ref_y), -1)
            reference_points_list.append(ref)
        reference_points = torch.cat(reference_points_list, 1)
        reference_points = reference_points[:, :, None] * valid_ratios[:, None]
        return reference_points

对应该部分的网格点参考坐标。

EncoderLayer模块

开启循环送入EncoderLayer模块，首先查看送入的参数信息：
在一层循环时：
output 为 torch.Size([2, 9620, 256])，即backbone提取的特征信息。
pos：位置编码信息 torch.Size([2, 9620, 256])
reference_points：参考点 torch.Size([2, 9620, 4, 2])
spatial_shapes：torch.Size([4, 2]) 其值为：

tensor([[76, 95],
        [38, 48],
        [19, 24],
        [10, 12]], device='cuda:0')

level_start_index：tensor([ 0, 7220, 9044, 9500], device=‘cuda:0’)
padding_mask：torch.Size([2, 9620])

output = layer(output, pos, reference_points, spatial_shapes, level_start_index, padding_mask)

进入EncoderLayer后，进行自注意力的计算，由于这里使用了Deformable-Attention（可变形注意力），即self.self_attn，该部分的注意力计算重新进行了编写。

		src2 = self.self_attn(self.with_pos_embed(src, pos), reference_points, src, spatial_shapes, level_start_index, padding_mask)
        src = src + self.dropout1(src2)
        src = self.norm1(src)
        src = self.forward_ffn(src)
        return src

随后将得到结果 src2 为 torch.Size([2, 9620, 256])，之后便是与普通的 EncoderLayer 完全相同了。最终返回 src 为 torch.Size([2, 9620, 256])

可变形注意力模块

终于到了最关键的部分了：可变形注意力。
可变形注意力的思想很简单，即每个query在每个head上采样K个位置，只需和这些位置的特征进行交互，不同于detr那样，每个query需要与全局位置进行交互。需要注意的是，位置偏移量Δp mqx 是由query经过全连接得到的，注意力权重也是由query经全连接层得到的，同时在K个采样点之间进行权重归一化

src2 = self.self_attn(self.with_pos_embed(src, pos), reference_points, src, spatial_shapes, level_start_index, padding_mask)

我们来看看送入self_attn的参数信息：

def forward(self, query, reference_points, input_flatten, input_spatial_shapes, input_level_start_index, input_padding_mask=None): 

参考点坐标

首先是位置编码信息与经过backbone提取的特征信息进行相加。
with_pos_embed(src, pos)
reference_points：torch.Size([2, 9620, 4, 2])这里我们记住，reference_points只是一个坐标值而已，没有实际语义信息，或者是个网格，是要套在特征图上使用的。

spatial_shapes：torch.Size([4, 2])

tensor([[76, 95],
        [38, 48],
        [19, 24],
        [10, 12]], device='cuda:0')

src：torch.Size([2, 9620, 256])
padding_mask：torch.Size([2, 9620])

def with_pos_embed(tensor, pos):
    return tensor if pos is None else tensor + pos

特征图value

进入ms_deform_attn.py 进行计算：
首先 query 为 torch.Size([2, 9620, 256])
input_flatten即src ，维度为 torch.Size([2, 9620, 256])

value = self.value_proj(input_flatten)

其对应下图操作：

masked_fill方法有两个参数，mask和value，mask是一个pytorch张量（Tensor），元素是布尔值，value是要填充的值，填充规则是mask中取值为True位置对应于self的相应位置用value填充。

if input_padding_mask is not None:
    value = value.masked_fill(input_padding_mask[..., None], float(0))

对value进行维度变换为 torch.Size([2, 9620, 8, 32])

value = value.view(N, Len_in, self.n_heads, self.d_model // self.n_heads)

偏移量与权重值

sampling_offsets = self.sampling_offsets(query).view(N, Len_q, self.n_heads, self.n_levels, self.n_points, 2)
attention_weights = self.attention_weights(query).view(N, Len_q, self.n_heads, self.n_levels * self.n_points)
attention_weights = F.softmax(attention_weights, -1).view(N, Len_q, self.n_heads, self.n_levels, self.n_points)

上述代码对应下面的部分，即将query通过linear获得：
偏移量sampling_offsets（该偏移量是在特征图上的偏移量）：torch.Size([2, 9620, 8, 4, 4, 2])，batch=2，4个WH之和，8个头，4个特征层，4个采样点（图中画了3个），2为偏移量坐标（x,y)

通过linear获得权重值。
attention_weights，最开始时为 torch.Size([2, 9620, 8, 16]) ，16代表的是4个特征层与4个采样点相乘，后面经过softmax后变为 torch.Size([2, 9620, 8, 4,4])

从这里可以看出：deformable atten不需要通过Q点乘K来获取attention_weight，其attention_weight是通过object query学出来的。

对应的全连接层：

self.sampling_offsets = nn.Linear(d_model, n_heads * n_levels * n_points * 2)

随后判断采样点最后的一维是否为2，这里reference_points为 torch.Size([2, 9620, 4, 2])，sampling_offsets 为 torch.Size([2, 9620, 8, 4, 4, 2]) ，offset_normalizer 为 torch.Size([4, 2])
即参考点的坐标加上偏移量（这里的偏移量还要除以特征图的大小），从而得到真正的采样点的位置。

  if reference_points.shape[-1] == 2:
        offset_normalizer = torch.stack([input_spatial_shapes[..., 1], input_spatial_shapes[..., 0]], -1)
        sampling_locations = reference_points[:, :, None, :, None, :] \
                             + sampling_offsets / offset_normalizer[None, None, None, :, None, :]

第一句代码为对 input_spatial_shapes的宽高进行位置调换为高宽，如原来为：

tensor([[76, 95],
        [38, 48],
        [19, 24],
        [10, 12]], device='cuda:0')

变为offset_normalizer：

tensor([[95, 76],
        [48, 38],
        [24, 19],
        [12, 10]], device='cuda:0')

第二句为求出真正的参考点坐标。其中[:, :, None, :, None, :] 中None的作用是升维，因为其要与sampling_offsets进行加法运算，而其为 torch.Size([2, 9620, 4, 2]) ，而 sampling_offsets 为 torch.Size([2, 9620, 8, 4, 4, 2]) ，在相加时注意力头不考虑（所有的头都加上），4个采样点也需要全部加上，故扩充时使用 [:, :, None, :, None, :] 。同理，由于其偏移值为在特征图上的（src）所以要除以其变换后的宽高值（层数对应层数，x，y对应宽高）

最终我们将获取到的上述值送入CUDA的实现（可以认为是注意力值的计算）

output = MSDeformAttnFunction.apply(
            value, input_spatial_shapes, input_level_start_index, sampling_locations, attention_weights, self.im2col_step)
     

output输出结果为 torch.Size([2, 9620, 256])

输出结果

最后通过一个全连接层将计算结果输出：

output = self.output_proj(output)

其转换后结果依旧为：torch.Size([2, 9620, 256])

全连接层的定义：

self.output_proj = nn.Linear(d_model, d_model)

完成的便是下面过程：

经过上面一系列过程，便完成了下面公式的计算：
多头下注意力计算：

多尺度多头注意力计算：

Two-Stage 双阶段

经过一系列运算，memory为encoder的输出结果 torch.Size([2, 9620, 256])

memory = self.encoder(src_flatten, spatial_shapes, level_start_index, valid_ratios, lvl_pos_embed_flatten, mask_flatten)

随后判断是否开启双阶段，这是Deformable-DETR的第二个创新点。
memory 为 torch.Size([2, 9620, 256])
memory_padding_mask 为 torch.Size([2, 9620])
spatial_shapes 为

tensor([[76, 95],
        [38, 48],
        [19, 24],
        [10, 12]], device='cuda:0')

gen_encoder_output_proposals该方法是对encoder的输出值memory进行一系列的处理，最终将用于Decoder中的参考点初始化。

def gen_encoder_output_proposals(self, memory, memory_padding_mask, spatial_shapes):
    N_, S_, C_ = memory.shape#batch_size ,长度，通道数
    base_scale = 4.0  #多尺度数为4
    proposals = []
    _cur = 0
    for lvl, (H_, W_) in enumerate(spatial_shapes):
        mask_flatten_ = memory_padding_mask[:, _cur:(_cur + H_ * W_)].view(N_, H_, W_, 1)  #按照尺度大小得出mask值 并转换维度为：torch.Size([2, 76, 95, 1])
        valid_H = torch.sum(~mask_flatten_[:, :, 0, 0], 1)  #计算高有多少为真  tensor([76, 64], device='cuda:0')  第一张图片最大，全部为真，第二张图片64为真
        valid_W = torch.sum(~mask_flatten_[:, 0, :, 0], 1)  #计算宽多少为真tensor([95, 80], device='cuda:0')

        grid_y, grid_x = torch.meshgrid(torch.linspace(0, H_ - 1, H_, dtype=torch.float32, device=memory.device),
                                        torch.linspace(0, W_ - 1, W_, dtype=torch.float32, device=memory.device))#生成矩阵网格点坐标
        grid = torch.cat([grid_x.unsqueeze(-1), grid_y.unsqueeze(-1)], -1)
#unsqueeze(-1)  再加一层维度
        scale = torch.cat([valid_W.unsqueeze(-1), valid_H.unsqueeze(-1)], 1).view(N_, 1, 1, 2)
        grid = (grid.unsqueeze(0).expand(N_, -1, -1, -1) + 0.5) / scale
        wh = torch.ones_like(grid) * 0.05 * (2.0 ** lvl)
        proposal = torch.cat((grid, wh), -1).view(N_, -1, 4)
        proposals.append(proposal)
        _cur += (H_ * W_)
    output_proposals = torch.cat(proposals, 1)
    output_proposals_valid = ((output_proposals > 0.01) & (output_proposals < 0.99)).all(-1, keepdim=True)
    output_proposals = torch.log(output_proposals / (1 - output_proposals))
    output_proposals = output_proposals.masked_fill(memory_padding_mask.unsqueeze(-1), float('inf'))
    output_proposals = output_proposals.masked_fill(~output_proposals_valid, float('inf'))

    output_memory = memory
    output_memory = output_memory.masked_fill(memory_padding_mask.unsqueeze(-1), float(0))
    output_memory = output_memory.masked_fill(~output_proposals_valid, float(0))
    output_memory = self.enc_output_norm(self.enc_output(output_memory))
    return output_memory, output_proposals

最终输出值
output_memory：torch.Size([2, 9620, 256])

output_proposals：torch.Size([2, 9620, 4])

开始二阶段计算，调用分类头与回归头，初始化时初始化了7个，class_embed[self.decoder.num_layers]刚好是第7个。

enc_outputs_class = self.decoder.class_embed[self.decoder.num_layers](output_memory)#对encoder的结果进行分类预测 torch.Size([2, 9620, 91])
enc_outputs_coord_unact = self.decoder.bbox_embed[self.decoder.num_layers](output_memory) + output_proposals#对encoder进行回归并加上output_proposals
torch.Size([2, 9620, 4])

Decoder模块

有些累了，稍后补充