一、motivation
作者这里认为传统个目标检测的anchor/anchorpoint其实跟detr中的query作用一样，可以看作query
（1）dense query：传统目标检测生成一堆密集anchor，但是one to many需要NMS去除重复框，无法end to end。
（2）spare query 在one2one：egDETR，100个qeury，数量太少造成稀疏监督，收敛慢召回率低。
（3）dense query在one2one：密集的query会有许多的相似的query，会导致相似的query却分配矛盾的label的情况，优化困难低效。
从下面的图(针对one2one)也可以观察【黑色的线，spare-RCNN】：
（1）从50-2000左右，随着query数量增多，AP增大 --> spare query数量太少导致稀疏监督，会影响召回率精度较低（可以看到spareRCNN里300个是不够的）；即dense的重要性
（2）2000之后AP随query增大而停滞甚至下降 --> dense query的情况，相似的query很难优化。即distinct的重要性
【补充】相似的query难优化是因为在one2one的匹配中，一个GT对应一个pre，（以detr来说，100个query去学位置信息，decoder输出后要和N个GT去做 二分图匹配，那么就有N个query去分别对应N个GT，剩下的qeury就是no object）。那么在两个相似的query下，一个query对应GT，另一个query就有可能对应的是no object，二者label矛盾，影响优化。
二、innovation:
生成密集的但是不同的query.
三、网络
（一）COMPONENT
1)dense query：
直接从feature map的每一个点来初始化query（其实就是follow传统目标检测，在feature map上铺设一堆平移不变形的anchor）【用卷积/线性 & 滑动窗口】
2）distinct query：
用单类NMS去去除掉相似的query，后续只对保留下的query做loss，用来减轻一对一分配的负担，设置了比较激进的IOU threshold(0.7DDQ-FCN,DDQ-RCNN;0.8DDQ-DETR)
看到这突然在想，那不就是把NMS前置了来实现one2ine吗？？？但是这个非常妙的地方在于，实现end2end，因为在这里NMS是放到训练里来除掉相似query解决难优化问题的，训练与推理阶段一致，但是传统目标检测的one2many则是在训练结束后的推理阶段加上NMS。
3）loss：
1.二分图匹配来进行one to one
2.辅助损失for dense（leaf query,对密集查询采用软一对多赋值，以允许密集梯度和更多正样本来加速训练？？）
（二）将DDQ放到不同范式【FCN、RCNN、DETR】
（1）DDQ in FCN
这里用FPN得到密集query的同时，作者认为密集query是逐卷积处理得到的，所以不同层的query之间缺少交互，所以提出了金字塔洗牌（参考shufflenet通道洗牌），i和i-1、i+1交换，不同大小的采用双线性插值。
1）dense query由FPN得到的不同尺度特征图以及通过滑窗得到dense
2）在cls和reg分支最后两个和一个卷积层做金字塔洗牌来融合不同level之间query的信息。
3）取top1000得到中间黄绿橘（这里取top1000是每个level都取1000？）
4）DDQ：用NMS去保证distinct,这个过程为DQS（dense distinct selection）.
5）用DDQ做点积？？
6）最后用二分图匹配 one2one
（2）DDQ in R-CNN
1）通过FCN DDQ找到的dense distinct query选取top300作为query【这里就是DQS】。
2）将cls和reg得到的融合为embedding（作为content的输入），然后和proposal一起构成query。
3）将上述query放入sparse-rcnn中的refine head做进一步细化。--> 只需要2stage的细化头，原先sparse要6stage，因为sparsercnn的稀疏查询不能覆盖所有实例，并且可能存在相似的query难区分所以迭代次数多。
（3）DDQ in detr
1）follow DINO-deformable（删掉CDN和mix qeury selection）得到dense query
2）content embedding和deformable不一样（DINO-deformable是通过变换后的四维坐标来的content embedding，但这样只有位置会导致query相似），这里采用个ddq-rcnn一样，把featuer的映射作为content/，使查询更不同；把feature map embedding特征融合到坐标中，让query更不同。
混合查询选择通过额外初始化内容嵌入来增加查询的不同性，但位置嵌入仍然是从top-k密集回归预测创建的，这些预测可能非常相似，仍然阻碍了优化。
3）用单类NMS来选取不同的query
4）蓝色框的DQS:为了和defomabledetr做对比，选取K个query，类似于定量对比吧。
5）选1.5Kquery来做辅助loss。
四、实验
1、
（1）DDQ FCN
【FCOS*表示用二分图匹配，此时实验结果很不稳定24.5-36.5，这里选了最优结果；PS金字塔洗牌，结果稳定且提点；DQS，说明查询的不同对一对一匹配的重要性；DDQ FCN还加了辅助损失】
（2）DDQ R-CNN
【sparsercnn是300query;+7000表示dense query稍微提点，可以看到F非常大，很繁重；+DQS显著提点，不同的重要性；DDQ R-CNN表示前四个refine stage follow FCN，得到了一个性能好且更轻量级的结构】
（3）DDQ DETR
【D-DETR，deformable；TStwosatge？？初始化位置；+Dense？加了feature；AUX辅助训练；DQS不同的查询；DDQ DETR，加上了DINO的CDN即去噪训练】
在crowd上的效果
查一下mCR是啥
2、消融
（1）distinct的IOU：
【对于DDQ FCN/R-CNN】可以看到，0.6-0.8鲁棒性较好；0.5抑制太多了，召回率低，影响精度；大于0.8表示要很像才会被抑制，所以删的少了，有部分相似的没被抑制导致难优化精度下降。
还拿ATSS做对比，可以看到ATSS对于参数的敏感，相比之下DDQ更稳定。
对于DDQ DETR
（2）
sparse只有300个query明显低于7000&DQS的recall；
DDQRCNN的设计使的在较小的延迟下取得了和7000个查询相当的性能
--- BASIC ---
1、NMS：详解目标检测NMS算法发展历程（收藏版） - 知乎 (zhihu.com)
如果IOU的threshold太小，会导致一些框被删掉（eg两个离得很近但对应不同物体的预测框，置信度较小的那个框可能会被删掉，导致召回率下降）；如果太大最后留下来的框比较多，即可能有假阳的情况。
2、DeFCN（end2end）
这里再看一遍FOCS。
1)backbone提取图像特征，用FPN【这里FPN有两个作用1.不同尺度的特征融合；2.分而治之】得到不同尺度特征图，GT会根据匹配到对应尺度的特征图，可以达到在不同尺度特征图上对应不同大小的目标进行分而治之，即P3可能对应小目标，P7可能对应大目标；
2）放到不同的head中去做类分类（H*W*C,C对应总类别），centerness，回归：先两个cls和reg分支（x4），然后最后接三个分支的一层卷积，分别做分类、回归、cente rness。
3）上图回归出来的centerness是为了得到一个权重，用来抑制哪些离中心点偏远的低质量预测点。（如下图，橘色比绿色效果更好，所以一致绿色这些低质量点）
3.RetonaNet
感觉这里可以参考一下RwtinaNet，忽略前面FPN跟上面的FOCS-like不一样，但是分类和回归的子网络跟上面FCN很类似。
4、sparse RCNN
1）学习position：可学习proposal Boxes（N*4，N一般取100-300）
2）学习feature：可学习的proposal feature（N*d，d代表维度）文章来源：https://www.toymoban.com/news/detail-822552.html
由上面的proposal Box和proposal feature得到ROI feature 去做分类和回归。文章来源地址https://www.toymoban.com/news/detail-822552.html
到了这里，关于《Dense Distinct Query for End-to-End Object Detection》论文笔记（ing）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![[文章阅读] EPro-PnP: Generalized End-to-End Probabilistic Perspective-n-Points for Monocular Object ...](https://imgs.yssmx.com/Uploads/2024/02/435594-1.png)
