写在前面

  有个城市之星的活动，加紧赶一篇博文出来吧。这是 VALSE 2023 大会（VALSE 2023 无锡线下参会个人总结 6月11日-2）上的一篇 Poster 论文，遂找来读读。

• 论文地址：DETRs with Hybrid Matching
• 代码地址：https://github.com/HDETR
• 收录于：CVPR 2023
• PS：2023 每周一篇博文，主页 更多干货，欢迎关注吖，这是这周加更的一篇，还剩 2 篇未补，期待 5 千粉丝有你的参与咩 ~

一、Abstract

  一对一匹配是 DETR 建立端到端训练的关键，以至目标检测不再需要 NMS了。然而更少的 queries 被赋值为正样本，导致一对一匹配显著减低了正样本的有效训练。于是提出混合匹配计划：在训练中结合原始的一对一匹配分支和辅助的一对多匹配分支。在推理过程中，仅采用原始的一对一匹配分支，维持端到端的优点以及 DETR 相同推理效率的同时，提高精度。本文提出的方法名为 H-DETR，提升了一系列包括 Deformable-DETR、PETRv2、PETR、TransTrack 等方法在大量视觉任务上的表现。

二、引言

  DETR 在各大视觉任务上都取得了突破性的进展，后续的工作通过重新设计更加先进的 Transformer 编码器和解码器结构，或者 query 的构成方法都实现了一定的提升。与之前不同，本文关注于一对一匹配造成的训练效率问题：仅给每个 GT 赋值一个 query。例如，在单个图像中，Deformable-DETR 通常从一组 300 个 queries 中仅选择少于 30 个的 query 来匹配 GT。于是将近 99% 的 COCO 图像中 boxes 选择标注的数量少于 30，而剩下的 270 个 queries 被赋值为空，仅由分类损失来监督，而这导致了非常低的定位能力。
  为了克服一对一匹配的问题以及扩大正样本 queries 所带来的好处，本文提出混合匹配计划，通过引入额外的一对多匹配分支来赋值多个 queries 到每个正样本。在推理过程中，仅采用原始的一对一解码器分支，维持了端到端的优点以及 DETR 相同的推理效率的同时，提高了精度。
  本文提出的混合匹配方法名为 H-DETR，在大量的视觉任务上验证了 H-DETR 及其变体的有效性。如下图所示;

三、相关工作

目标检测中的 DETR

  列举 Deformable-DETR、DAB-DETR、DINO-DETR、DE-DETR。不同于这些工作，本文关注于 DETR 中的匹配机制，提升训练效率的同时保留了原版 DETR 的优点。

其它视觉任务中的 DETR

  分割、3D 目标检测、姿态估计、目标跟踪。对于分割任务，首先构造 baseline 方法：Mask-Deformable-DETR，然后在这个 baseline 加上本文提出的方法。对于其他任务，直接采用最近提出的 PETRv2、PETR、TransTrack 作为 baseline 来验证本文的混合匹配方法。

标签赋值

  现有的标签赋值可划分为两类：一对多的标签赋值，即为每个 GT box 赋值多个正样本的预测；一对一的标签赋值，为每个 GT box 仅赋值一个正样本预测，方法举例：POTO。本文采用混合匹配的方法。

与 DN-DETR 和 DINO-DETR 的关系
  本文提出的方法与最近的这两个方法有关，通过引入 GT 目标噪声增强来辅助 queries。然而 DN-DETR 和 DINO-DETR 主要解决的是：由 Hungarian 赋值带来的不稳定性问题，本文主要解决：一对一匹配过程中正样本训练不充分的问题。
  另外，DN-DETR 和 DINO-DETR 都设计了噪声方式以及在噪声 querise 和 GT 目标间手动赋值，本文提出的方法使用端到端赋值的方式来匹配辅助的 queries 和 GT boxes，相比于匈牙利匹配则更简单。DN-DETR/DINO-DETR 需要微调或者重新设计噪声方式及 query 的格式，本文的方法更容易拓展到其他 DETR 变体上而不需要额外的微调。

四、方法

4.1 基础知识

通用的 DETR 框架

  给定输入图像 $I$，DETR 首先应用 Backbone 和 Transformer 编码器来提取出增强的像素 embedding X = { x 0 , x 1 , ⋯   , x N } X=\{x_0,x_1,\cdots,x_N\} X={x0​,x1​,⋯,xN​}，之后将 $X$ 和一组默认的目标 query embedding Q = { q 0 , q 1 , ⋯   , q n } Q=\{q_0,q_1,\cdots,q_n\} Q={q0​,q1​,⋯,qn​} 送入到 Transformer 解码器。然后在解码器的输出上，DETR 利用特定任务的预测头将更新后的 $Q$ 输出为一组预测 P = { p 0 , p 1 , ⋯   , p n } P=\{p_0,p_1,\cdots,p_n\} P={p0​,p1​,⋯,pn​}。最后 DETR 在预测和 GT G = { g 0 , g 1 , ⋯   , g n } G=\{g_0,g_1,\cdots,g_n\} G={g0​,g1​,⋯,gn​} 间执行一对一的双边匹配。具体来说，DETR 将具有最小匹配损失的预测和 GT 关联起来，然后利用相应的监督损失来训练。示意图如下：

后续的一些工作根据不同的的视觉识别任务修改目标 query 从而实现不同的功能，例如修改目标 query 为 mask query、pose query、track query、bins query 等等。

通用的可变形 Deformable-DETR 框架

  Deformable-DETR 从以下几个方面提升了 DETR：

• 采用多尺度 deformable self-attention 和多尺度 deformable cross-attention 替代了原始的多头自注意力和交叉注意力机制；
• 用迭代的精炼预测代替了原始的每层独立预测；
• 用 Transformer 解码器输出的动态 query 代替了原始的图像上下文不相关的 query。

需要注意的是 Deformable-DETR 和 DETR 同样执行的是一对一双边匹配原则。

4.2 混合匹配

  混合匹配方法关键在于结合一对一匹配和一对多匹配，其中一对一匹配对于移除 NMS 是必须的，而一对多匹配丰富了与 GT 匹配的 queries 数量。

4.2.1 混合分支计划

  采用两组 queries Q = { q 1 , q 2 , ⋯   , q n } Q=\{q_1,q_2,\cdots,q_n\} Q={q1​,q2​,⋯,qn​} 和 Q ^ = { q ^ 1 , q ^ 2 , ⋯   , q ^ n } \widehat Q=\{\widehat q_1,\widehat q_2,\cdots,\widehat q_n\} Q ​={q ​1​,q ​2​,⋯,q ​n​}，前者用于执行一对一匹配，后者执行一对多匹配。

一对一匹配分支

  采用 $L$ 层解码器处理第一组 $Q$，在每个解码器的输出层分别执行预测。之后在每一层的 {predictions，GT} 间执行双边匹配，估计 $\mathcal{L}({\mathbf{P}}^l,\mathbf{G})$：
$${\mathcal{L}}_{\text{one2one}}=\sum {\mathcal{L}}_{\text{Hungarian}}({\mathbf{P}}^l,\mathbf{G})$$其中 ${\mathbf{P}}^l$ 表示第 $l$ 层 Transformer 解码器层的输出预测。沿用 DETR 和 Deformable-DETR，选择 ${\mathcal{L}}_{match}(\cdot )$ 和 ${\mathcal{L}}_{Hungarian}(\cdot )$：由一个分类损失、${\mathcal{L}}_1$ 回归损失和 GIoU 损失组成。

一对多匹配分支

  之后，采用相同数量 $L$ 层 Transformer 解码器来处理第二组 queries $\hat{\mathbf{Q}}$，得到 $L$ 组预测。为执行一对多匹配，简单重复 GT $K$ 次，得到增强的目标 G ^ = { G 1 , G 2 , ⋯   , G K } \widehat{\mathbf{G}}=\{{\mathbf{G}}^1,{\mathbf{G}}^2,\cdots,{\mathbf{G}}^K\} G ={G1,G2,⋯,GK}，其中${\mathbf{G}}^1={\mathbf{G}}^2=\cdots ={\mathbf{G}}^K=\mathbf{G}$。同样在每层的 {predictions，增强的 GT} 对上执行双边匹配，估计 ${\mathcal{L}}_{\text{match}}({\hat{\mathbf{P}}}^l,\hat{\mathbf{G}})$：
$${\mathcal{L}}_{\text{one2many}}=\sum _{l=1}^L{\mathcal{L}}_{\text{Hungarian}}({\hat{\mathbf{P}}}^l,\hat{\mathbf{G}})$$其中 ${\hat{\mathbf{P}}}^l$ 表示第 $l$ 层 Transformer 解码器的预测输出。
  训练总体损失为 $\lambda {\mathcal{L}}_{\text{one2many}}+{\mathcal{L}}_{\text{one2one}}$。为了加快训练速度和并行处理 $\mathbf{Q}$ 和 $\hat{\mathbf{Q}}$，进一步采用一种 masked 多头自注意力来避免彼此交互，实验中并未发现额外的训练损失。最后在评估过程中仅保持一对一匹配分支，即 $\mathbf{Q}$。

4.2.2 更多的混合匹配变体

混合 epoch 计划

  不同于混合分支计划，在混合 epoch 计划中，仅维持单组的 queries Q ~ = { q ~ 1 , q ~ 2 , ⋯   , q ~ M } \widetilde{\mathrm{Q}}=\{\widetilde{\mathrm{q}}_1,\widetilde{\mathrm{q}}_2,\cdots,\widetilde{\mathrm{q}}_M\} Q ​={q ​1​,q ​2​,⋯,q ​M​}，在不同的训练 epochs 中基于 $\tilde{\mathrm{Q}}$ 来执行一对一匹配和一对多匹配。

一对多匹配训练 epochs
  在第一个 $\rho$ 训练 epochs 内，采用一对一匹配来处理 $L$ 层 Transformer 解码器中的 $\tilde{\mathrm{Q}}$，从而得到 $L$ 组预测。同时采用相似的策略通过一对多分支执行一对多匹配得到增强的 G ~ = { G 1 , G 2 , ⋯   , G K ~ } \tilde{\text{G}}=\{\text{G}^1,\text{G}^2,\cdots,\text{G}^{\tilde{K}}\} G~={G1,G2,⋯,GK~}。之后在 ${\tilde{\mathcal{L}}}_{\text{match}}({\tilde{\mathbf{P}}}^l,\tilde{\mathbf{G}})$ 间执行双边匹配：
$${\mathcal{L}}_{\text{one2many}}=\sum _{l=1}^L{\mathcal{L}}_{\text{Hungarian}}({\tilde{\mathbf{P}}}^l,\tilde{\mathbf{G}})$$
一对一匹配训练 epochs

  在剩下的 $1-\rho$ 个 epochs 上执行一对一匹配，唯一的区别在于匹配预测和原始的 GT 的损失不同：
$${\mathcal{L}}_{\text{one2one}}=\sum {\mathcal{L}}_{\mathrm{Hungarian}}({\tilde{\mathbf{P}}}^l,\mathbf{G})$$最后直接在评估时应用 $\tilde{\mathrm{Q}}$。总结一下，在一个 $\rho$ epochs 上仅应用 ${\mathcal{L}}_{\text{one2many}}$，在剩下的 $1-\rho$ 个 epochs 上应用 ${\mathcal{L}}_{\text{one2one}}$

混合层计划

  与混合 epoch 计划类似，仅维持单组的 queries Q ‾ = { Q ‾ 1 , Q ‾ 2 , ⋯   , Q ‾ N } \overline{\mathbf{Q}}=\{\overline{\mathbf{Q}}_1,\overline{\mathbf{Q}}_2,\cdots,\overline{\mathbf{Q}}_N\} Q​={Q​1​,Q​2​,⋯,Q​N​}。在第一个 $L_1$ Transformer 解码器层应用一对多匹配，而在剩下的 $L_2$ 层应用一对一匹配策略。

一对多匹配解码器层
  在第一个 $L_1$ 层 Transformer 解码器的输出预测和增强的 GT G ‾ = { G ‾ 1 , G ‾ 2 , ⋯   , G ‾ K ‾ } \overline{\mathbf{G}}=\{\overline{\mathbf{G}}^1,\overline{\mathbf{G}}^2,\cdots,\overline{\mathbf{G}}^{\overline{K}}\} G={G1,G2,⋯,GK} 间应用一对多匹配计划：
$${\mathcal{L}}_{\text{one2many}}=\sum _{l=1}^L{\mathcal{L}}_{\text{Hungarian}}({\overline{\mathbf{P}}}^l,\overline{\mathbf{G}})$$在计算上述损失之前，也需要执行双边匹配 ${\mathcal{L}}_{\text{match}}({\overline{\mathbf{P}}}^l,\overline{\mathbf{G}})$。

一对一匹配解码器层

对接下来的 $L_2$ 层 Transformer 解码器，执行一对一匹配计划：
$${\mathcal{L}}_{\text{one2one}}=\sum _{l=L_1}^{L_1+L_2}{\mathcal{L}}_{\text{Hungarian}}({\overline{\mathbf{P}}}^l,\mathbf{G})$$总结：在整个训练过程中执行 ${\mathcal{L}}_{\text{one2many}}$ 和 ${\mathcal{L}}_{\text{one2one}}$ 的组合。

五、实验

5.1 提升基于 DETR 的方法

2D 目标检测的结果

  

3D 目标检测的结果

  

多人姿态估计的结果

  

多目标跟踪的结果

  

全景分割的结果

  见补充材料 C 部分。

5.2 消融实验

不同混合匹配计划的比较

  

计算/训练时间/GPU 内存的成本

  

基于 Deformable-DETR 的每个组建的有效性

  

一对多匹配分支内 $K$ 的选择

  

一对多匹配分支内 $T$ 的选择

  

共享参数的效果

  

仅使用一对多匹配的比较

  

5.3 与 SOAT 方法的比较

  

六、结论

  本文展示了一种简单但有效的混合匹配方法，解决基于 DETR 系列的方法在多个任务上的低效率问题。结合了一对一匹配方法的优势，即避免 NMS，和一对多匹配的优势，即增加正样本 queries 的数量和训练效率。希望大家都来 follow。

补充

A、数据集

  COCO、LVIS、nuScnes、ScanNetV2、MOT17。

B、更多的超参数细节

  

C、全景分割的结果

  

D、更多的消融结果

  

E、加速混合匹配

  在原始方法中，用两个独立的函数来简单执行一对一和一对多的匹配及损失计算，因此增加了整体的训练时间。当与使用相同数量 queries 的 baseline 方法进行比较时，从 75 分钟增加到 85分钟。为了降低这一额外的耗时，在下列算法中融合这两个函数，从而将原始的训练时间从 85 分降为 80 分 🐮。
  

写在后面

  别看这篇论文简短且简单，人家这个实验做的可是滴水不漏，工作量恐怖! 实验部分的做法与写法值得好好学习。