电商直播系统优化大师的使用方法

Anchor DETR(AAAI 2022)

改进：

1. 提出了基于anchor的对象查询
2. 提出Attention变体-RCDA

在以前DETR中，目标的查询是一组可学习的embedding。然而，每个可学习的embedding都没有明确的意义 （因为是随机初始化的），所以也不能解释它最终将集中在哪里。此外，由于每个对象查询将不会关注特定的区域，所以训练时优化也是比较困难的

DETR中对可视化的注释：（ slots就是100个查询中的一个 ）

这里三种预测pattern可能相同也可能不同

简单的模型

与DETR没有特别大的变化

6encoder，6decoder，右下角是Anchor Points

position embedding会加入到decoder的q和k中

object query:[100,256]增加了anchor point，编码成positon embedding，替换原来的oq

生成anchor point有两种方式

（a）anchor固定，宽高均匀分布的网格，均匀采样

（b）先将一个tensor以0-1均匀分布随机初始化点位，并作为学习参数（embedding），实验效果好

anchor point转化为 object query

首先，获得learned的[100（NA），2]的anchor points；

然后通过sin/cos转换成[100，256]高频位置编码（代码里函数为pos2posemb2d）；

过两层MLP学习（代码里为adapt_pos2d），转换为Q_P:[Np（pattern），256]。

代码和文章有些地方不太一致，具体如下：

Multiple Predictions for Each Anchor Points

假设参考点100个，每个点预测一个目标，真实的图像在同一个点附近可能会有多个目标

anchor detr设计了一个点预测多个模式（3种），每个点设置Np个模式（Np=3）

原始detr，object query是[100,256]每个是[1,256]

anchor detr增加了一个pattern embedding，如下;
$$Q_f^i=\mathrm{Embedding}\left(N_p,C\right)$$
也就是每个点Np(3)个pattern，[3，256]，论文里Np=300，pattern=3，也就是900个点

最终只需要将pattern embedding和anchor point的Q_p相加，就得到最终的object query， Pattern Position query可以表示为：

实际上代码里没用到这个上述式子

上个代码图中的代码里reference point是直接从300repeat到900的

如果我理解有误请提醒我

代码种pattern是第一个decoder的输入，原始detr的tgt全是0

Row-Column Decoupled Attention

减少的是内存开销！！！！

行列分解attention机制，加速收敛，q长度为900，减少内存减少内存开销。

原始的transformer输入token（H*W）会被拉平成一维的传入

Ax（W），先在行维度进行计算

Ay（H），在进行Ay操作

Ay和Z在高度维度进行加权求和

QK都进行行列分解，V不分解[Nq,H*W]

原始attention：Nq * H * W * M（head）

RCDA：

Ax:Nq * W * M

Ay:Nq * H * M

就只需要比较两个矩阵大小即刻，图的右侧是比例公式，两个维度比较，约掉后剩下W * M/C，W假设是32（DC5），M=8，C=256，那是一样的，看C和W * M

DC5表示在主干网络(默认resnet50)的最后一个stage加了个空洞卷积并减少了个pooling层实现分辨率增大一倍

实验

1.比对了不同线性attention的memory和ap

2.模式a通常是大物体，模式b是小物体，模式c比较均衡

参考

https://www.bilibili.com/video/BV148411M7ev/?spm_id_from=333.788&vd_source=4e2df178682eb78a7ad1cc398e6e154d