目前 DETR 類模型已經(jīng)成為了目標(biāo)檢測的一個(gè)主流范式。但 DETR 算法模型復(fù)雜度高，推理速度低，嚴(yán)重影響了高準(zhǔn)確度目標(biāo)檢測模型在端側(cè)設(shè)備的部署，加大了學(xué)術(shù)研究和產(chǎn)業(yè)應(yīng)用之間的鴻溝。

來自華為諾亞、華中科技大學(xué)的研究者們設(shè)計(jì)了一種新型的 DETR 輕量化模型 Focus-DETR 來解決這個(gè)難題。

論文地址：https://arxiv.org/abs/2307.12612

代碼地址 - mindspore：https://github.com/linxid/Focus-DETR

代碼地址 - torch：https://github.com/huawei-noah/noah-research/tree/master/Focus-DETR

為實(shí)現(xiàn)模型性能和計(jì)算資源消耗、顯存消耗、推理時(shí)延之間的平衡，F(xiàn)ocus-DETR 利用精細(xì)設(shè)計(jì)的前景特征選擇策略，實(shí)現(xiàn)了目標(biāo)檢測高相關(guān)特征的精確篩選；繼而，F(xiàn)ocus-DETR 進(jìn)一步提出了針對篩選后特征的注意力增強(qiáng)機(jī)制，來彌補(bǔ) Deformable attention 遠(yuǎn)距離信息交互的缺失。相比業(yè)界全輸入 SOTA 模型， AP 降低 0.5 以內(nèi)，計(jì)算量降低 45%，F(xiàn)PS 提高 41%，并在多個(gè) DETR-like 模型中進(jìn)行了適配。 作者對多個(gè) DETR 類檢測器的 GFLOPs 和時(shí)延進(jìn)行了對比分析，如圖 1 所示。從圖中發(fā)現(xiàn)，在 Deformable-DETR 和 DINO 中，encoder 的計(jì)算量分別是 decoder 計(jì)算量的 8.8 倍和 7 倍。同時(shí)，encoder 的時(shí)延大概是 decoder 時(shí)延的 4~8 倍。這表明，提升 encoder 的效率至關(guān)重要。

圖 1：多個(gè) DETR 類檢測器的計(jì)算量和時(shí)延對比分析 網(wǎng)絡(luò)結(jié)構(gòu) Focus-DETR 包括一個(gè) backbone，一個(gè)由 dual-attention 組成的 encoder 和一個(gè) decoder。前景選擇器（Foreground Token Selector）在 backbone 和 encoder 之間，是一個(gè)基于跨多尺度特征的自頂向下評分調(diào)制，用來確定一個(gè) token 是否屬于前景。Dual attention 模塊通過多類別評分機(jī)制，選擇更細(xì)粒度的目標(biāo) token，然后將其輸入到一個(gè)自注意模塊來彌補(bǔ) token 交互信息的缺失。

圖 2 ：Focus-DETR 整體網(wǎng)絡(luò)結(jié)構(gòu) 計(jì)算量降低：前景篩選策略 目前已經(jīng)有一些對于前景 token 進(jìn)行剪枝提升性能的方法。例如，Sparse DETR（ICLR2022）提出采用 decoder 的 DAM（decoder attention map）作為監(jiān)督信息。然而作者發(fā)現(xiàn)，如圖 3 所示，Sparse DETR 篩選的 token 并不都是前景區(qū)域。作者認(rèn)為，這是由于 Sparse DETR 使用 DAM 來監(jiān)督前景 token 導(dǎo)致的，DAM 會在訓(xùn)練的時(shí)候引入誤差。而 Focus-DETR 使用 ground truth（boxes 和 label）來監(jiān)督前景的 token 的篩選。

圖 3：Focus-DETR 和 Sparse DETR 在不同 feature map 上保留的 token 對比 為了更好地訓(xùn)練前景篩選器，作者優(yōu)化了 FCOS 的前背景標(biāo)簽分配策略，如圖 4 所示。作者首先為不同特征映射的包圍框設(shè)置了一個(gè)大小范圍。與傳統(tǒng)的多尺度特征標(biāo)簽分配方法不同，它允許相鄰兩個(gè)特征尺度之間的范圍重疊，以增強(qiáng)邊界附近的預(yù)測能力。對每個(gè)擁有步長?的特征? ，其中代表多尺度特征的層級序號， 代表在二維特征圖上的位置坐標(biāo)，作者定義該特征在原圖上的映射位置為?，那么?

，因此 特征所對應(yīng)的標(biāo)簽應(yīng)該為： ?

其中 代表坐標(biāo)和真值框中心之間的最大棋盤距離， 代表真值目標(biāo)框， 分別代表被第層特征圖預(yù)測的目標(biāo)的尺度的最大值和最小值，由于尺度重疊設(shè)置，

。

圖 4. 前背景標(biāo)簽分配可視化 此外，來自不同特征映射的特征選擇的差異也被忽略，這限制了從最合適的分辨率選擇特征的潛力。為彌補(bǔ)這一差距，F(xiàn)ocus-DETR 構(gòu)造了基于多尺度 feature map 的自頂向下的評分調(diào)制模塊，如圖 5 所示。為了充分利用多尺度特征圖之間的語義關(guān)聯(lián)，作者首先使用多層感知器 (MLP)模塊來預(yù)測每個(gè)特征圖中的多類別語義得分。考慮到高層語義特征，低層語義特征包含更豐富的語義信息，作者利用高層 feature map 的 token 重要性得分，作為補(bǔ)充信息來調(diào)制低層 feature map 的預(yù)測結(jié)果。

圖 5：top-down 前景篩選評分調(diào)制策略 細(xì)粒度特征增強(qiáng)策略 在依靠前期設(shè)計(jì)的前景篩選器得到較為準(zhǔn)確的前景特征后，F(xiàn)ocus-DETR 使用一種有效的操作來獲得更為細(xì)粒度的特征，利用這些細(xì)粒度特征以獲得更好的檢測性能。直觀地說，作者假設(shè)在這個(gè)場景中引入更細(xì)粒度的類別信息將是有益的。基于這一動(dòng)機(jī)，作者提出了一種新的注意力機(jī)制，并結(jié)合前景特征選擇，以更好地結(jié)合利用細(xì)粒度特征和前景特征。 如圖 2 所示，為了避免對背景 token 進(jìn)行冗余的計(jì)算，作者采用了一種同時(shí)考慮位置信息和類別語義信息的堆疊策略。具體來說，預(yù)測器?(?) 計(jì)算出的前景評分和類別評分的乘積將作為作者最終的標(biāo)準(zhǔn)來確定注意力計(jì)算中涉及的細(xì)粒度特征，即: ?

其中和分別代表前景得分和類別概率。 ? 與兩階段 Deformable DETR 的 query 選擇策略不同，F(xiàn)ocus-DETR 的多類別概率不包括背景類別 (?)。該模塊可以被視為一個(gè) self-attention ，對細(xì)粒度特征進(jìn)行增強(qiáng)計(jì)算。然后，已增強(qiáng)的特征將被 scatter 回原始的前景特征并對其進(jìn)行更新。 ?實(shí)驗(yàn)結(jié)果?主要結(jié)果? 如表一所示，作者將 Focus-DETR 在 COCO 驗(yàn)證集上和其他模型的性能進(jìn)行比較。可以發(fā)現(xiàn)同樣基于 DINO，F(xiàn)ocus-DETR 僅使用 30% token 的情況下，超過 Sparse DETR 2.2 個(gè) AP。相比原始 DINO，僅損失 0.5 個(gè) AP，但是計(jì)算量降低 45%，推理速度提升 40.8%。 ?

表 1：總體對比實(shí)驗(yàn)結(jié)果 模型效能分析 在圖 6 中，從不同模型的精度和計(jì)算量之間的關(guān)系來看，F(xiàn)ocus-DETR 在精度和計(jì)算復(fù)雜度之間達(dá)到了最好的平衡。整體來看對比其他模型，獲得了 SOTA 的性能。

圖 6 不同模型測試精度和計(jì)算復(fù)雜度之間的關(guān)聯(lián)分析 消融實(shí)驗(yàn) 如表 2 所示，作者針對模型設(shè)計(jì)進(jìn)行消融實(shí)驗(yàn)，以驗(yàn)證作者提出的算法的有效性。

表 2 本研究提出的前景特征剪枝策略和細(xì)粒度特征自注意力增強(qiáng)模塊對實(shí)驗(yàn)性能的影響 1. 前景特征選擇策略的影響 直接使用前景得分預(yù)測 AP 為 47.8，增加 label assignment 策略生成的標(biāo)簽作為監(jiān)督，AP 提升 1.0。增加自上而下的調(diào)制策略，能夠提升多尺度特征圖之間的交互，AP 提升 0.4。這表明提出的策略對于提升精度是非常有效的。如圖 7 可視化可以發(fā)現(xiàn)，F(xiàn)ocus-DETR 可以精確地選擇多尺度特征上的前景 token。并且可以發(fā)現(xiàn)，在不同尺度的特征度之間，可以檢測的物體存在重疊，這正是因?yàn)?Focus-DETR 使用了交疊的設(shè)置導(dǎo)致的。

圖 7 多尺度特征保留的 token 2. 自上而下的評分調(diào)制策略的影響

表 3. 多尺度特征圖前景評分的關(guān)聯(lián)方法，作者嘗試自頂向下和自底向上的調(diào)制。 作者對比了自上而下的調(diào)制策略和自下而上的調(diào)制策略的影響，對比結(jié)果可以發(fā)現(xiàn)，作者提出的自上而下的調(diào)制策略可以獲得更好的性能。 3. 前景保留比率對實(shí)驗(yàn)性能的影響

表 4.Focus-DETR、Sparse DETR 和 DINO+Sparse DETR 保留前景 token 的比例 作者對比了不同的剪枝比例的性能，從實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，F(xiàn)ocus-DETR 在相同的剪枝比例情況下，均獲得了更優(yōu)的結(jié)果。 總結(jié) Focus-DETR 僅利用 30% 的前景 token 便實(shí)現(xiàn)了近似的性能，在計(jì)算效率和模型精度之間取得了更好的權(quán)衡。Focus-DETR 的核心組件是一種基于多層次的語義特征的前景 token 選擇器，同時(shí)考慮了位置和語義信息。Focus-DETR 通過精確地選擇前景和細(xì)粒度特征，并且對細(xì)粒度特征進(jìn)行語義增強(qiáng)，使得模型復(fù)雜度和精度實(shí)現(xiàn)更好平衡。