Transformer_Detection-(DETR) 引入视觉领域的首创DETR (ECCV2020)

End-to-End Object Detection with Transformers

paper: https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2005.12872

project: https://github.com/facebookresearch/detr

Highlight: 端到端的目标检测，实现了真正的end-to-end，把检测问题视作是一个set prediction problem

Step1:　利用CNN获取浅层特征（feature map）与位置编码进行相加，作为encoder的输入

Step2： Decoder一次性处理全部的object queries，即一次性输出全部的预测。而不像原始的Transformer从左到右一个词一个词地输出。

　　　　Decoder的输入由两部分组成：encoder的输出和object queries ；object queries是一个可学习的张量，矩阵内部通过学习建模了100个物体之间的全局关系，在推理的时候就可以利用全局注意力进行更好的解码预测输出

训练：训练集里面的一张图像，通过模型产生100个预测框，但这张图像内只有3个GT框，利用匈牙利算法（找到最优匹配关系）计算得到这3个GT框对应的label，并计算Loss；把所有的图片按照这个模式进行训练

训练完以后，模型学习到了一种能力，即：模型产生的100个预测框，它知道某个预测框该对应什么 ；个人理解其实训练的过程就是学习object queries矩阵的过程，训练结束之后，此时的Object queries看成100个格子，每个格子是个256维的向量。训练完以后，这100个格子里面注入了不同  的位置信息和类别信息。比如第1个格子里面的这个256维的向量代表着某个物体这种  的位置信息，这种信息是通过训练，考虑了所有图片的某个位置附近的该物体编码特征，属于和位置有关的全局统计信息。

可以将测试想象成匹配问题，Q想要寻找某个物体的特征，然后与获取到输入图像的特征（也就是K和V）进行匹配。