1. 写作背景

最近提出的 DETR 成功地将 transformer 引入到物体检测任务中，获得了很不错的性能。DETR 的重要意义在于去除了物体检测算法里需要人工设计的部分，比如 anchor 的生成和 NMS 操作。这大大简化了物体检测的设计流程。基本的结构还是沿用了以前的结构，基础的CNN提取特征，送入到encoder中后，又用decoder进行解码还原，最终通过FNN进行预测。

2. 为什么提出Conditional DETR

DETR存在以下问题

1. 对于模型训练时间长，一是大量的Attention计算，二是模型的参数量多，这是由于decoder的query的全0初始化，导致必须要6个decoder去进行cross的信息交互
2. 检测小物体效果不好：DETR是因为不设计多尺度特征，Attention模块每次只关注一小部分采样点，导致需要很多轮数才能学习到真实需要关注的目标。

3. Conditional DETR细节

沿用了 DETR 的整体流程，包括 CNN backbone，transformer encoder，transformer decoder， 以及 object class 和 box 位置的预测器。Encoder 和 decoder 各自由6个相同的 layer 堆叠而成。我们相对于 DETR 的改动主要在 cross-attention 部分。

再来对比一下detr的结构，如图：

encoder部分不变，decoder部分，从之前的self Attention变成了embedding过的cross attention。参考知乎大佬的一段讲解：

总的来说，作者认为原始的DETR论文中的query是分为两部分：content query和spatial query。其中的spatial query是一个统一的特征（不同decoder层是一样的），没有针对图像中具体的细节信息，那么content query 需要同时学习spatial keys和content keys，这种大量的计算导致模型很难收敛。

因此，在Conditional DETR论文中，作者将为每一个query产生一个独特的spatial embedding，并且在和content融合的时候，不再使用求和的形式，而是拼接的形式。

4. 参考

1. [ICCV 2021] Conditional DETR: 通过显式寻找物体的 extremity 区域加快 DETR 的收敛
2. DETR系列模型（13篇论文）总结