DINO:DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection

论文名称： DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection
发表时间：ICLR2023
作者及组织：Shilong Liu, Feng Li等，来自IDEA、港中文、清华。

前言

 该篇论文在DN-DETR基础上，额外引进3个trick进一步增强DETR的性能：在12epoch下coco上达到了49.0map。本文将分别介绍这3个trick，

1、方法

  上图为模型的总体结构图，改进部分为框中标红的部分，一个是用于第二阶段的query selection模块，另外一部分则是在去噪训练中额外引入了加噪的负样本来进行训练（DN-DETR中只有加噪的正样本）。

1.1.MixQuerySelection

 如下图所示，作者比较了三种从Encoder中query select方式，其中蓝色框表示content query，白色框表示anchor。
 图（a）没有用到Encoder的输出，content query是初始化为0，anchor即object query是可学习的；
 图（b）是Deformable Detr中做法，从Encoder中选择topK个得分高的query并经过线性映射来得到动态可学习的anchor和content query；
 图（c）是本文做法，考虑到模型的Encoder在初始阶段抽取出特征可能会使Decoder困惑，于是本文保持content query初始化为全0，而anchor则是从Encoder中动态挑出来的。

1.2.Contrastive DeNoising Training

 在DN-DETR中是仅给gt增加了正样本的噪声来作为额外的gt。但模型没有判别负样本/困难样本的能力，为了区分gt附近的预测框，作者在训练过程中新增加了负样本gt。如下图所示， <${\lambda }_1$ 的加噪gt为正样本，在[${\lambda }_1$ ,${\lambda }_2$]之间的作为加噪负样本。

1.3. Look Forward Twice

 下图左边是每层DecoderLayer在预测box的梯度流向，发现层与层之间其实没有交互，是断开的；于是作者设计了右边的级联形式，使得当前层box预测能够看见前面层的预测信息。

2、实验

 DINO的性能还是很高的，在coco上36epoch达到50.9。

 50.9基本已经饱和了，于是作者用更大的backbone以及更大的数据集Object365进行试验，并在coco上微调。取得了惊人的63.1map。

 消融实验看出，在增加了上述三个trick后，涨了1.4个点。emmm…