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

代码：https://github.com/IDEACVR/DINO

出处：香港大学 | 清华大学

时间：2022.07

一、背景

DINO：Detr with Improved deNoising anchOr boxes

DINO 是一个基于 DETR 结构的端到端目标检测器，通过对去噪训练使用对比学习的方式来提高了 DETR-like models 的性能和效果

DINO 的结构：

• backbone
• multi-layer Transformer encoder
• multi-layer Transformer decoder
• multiple prediction heads
• 参考 DAB-DETR，作者在 decoder 中构建了 queries 作为 dynamic anchor box，并且通过 decoder layers 一步步对其进行 refine
• 参考 DN-DETR，作者在 Transformer decoder layer 中的 ground truth label 和 box 添加了噪声，帮助模型在训练中实现更稳定的双边匹配
• 作者还使用了 deformable attention 来提高计算效率

DINO 提出的三个新方式：

• contrastive denoising training：

  为了提升 one-to-one matching 的效果，将一个 gt 对应的所有正负样本都加起来来实现，给一个 gt box 添加两个不同的噪声后，将噪声较小的 box 标记为 positive，另外一个标记为 negative

  能够帮助模型过滤掉同一目标的多个冗余输出

• mixed query selection：

  改善 query 初始化

• look forward twice：

  为了使用后面的层的 refine box information 来帮助前面层进行优化

二、方法

DINO: DETR with Improved DeNoising Anchor Boxes

DETR 是由两部分构成的：

• positional part：作为 positional queries
• content part：作为 content queries

DINO 的框架结构如图 2 所示：给定一个输入图像

• 首先，使用 ResNet 或 Swin transformer 作为 backbone 来进行特征提取
• 其次，将提取到的特征输入 Transformer encoder，并且加上 position embedding，进行 feature enhancement
• 接着，使用 new mixed query selection 来初始化 anchor 作为 decoder 的 positional queries。对 content queries 不进行初始化，让其可以自己学习
• 然后，使用 deformable attention [41] 来对 encoder 输出特征进行结合，并且逐层更新 queries
• 最后，最终的输出是 refined anchor box 和 class result
• 此外，类似于 DN-DETR，DINO 中也使用了 DN branch，来进行 denoising training，且在基础 DN 方法之外，还考虑的 hard negative samples

2.1 Contrastive DeNoising Training

DN-DETR 在稳定训练和加速收敛上表现很好，能够基于和 gt box 离得近的 anchor 来进行预测。

但是，DN-DETR 对附近没有 object 的 anchor 预测 “no object” 的能力较差

所以本文提出了 Contrastive DeNoising（CDN） 来剔除没用的 anchor

DN-DETR 中有一个超参 $\lambda$ 来控制噪声尺度，生成的早上不会大于 $\lambda$，因为 DN-DETR 想要模型学习在适度的 noised queries 中重建 gt

DINO 中，提出了两个超参 ${\lambda }_1$ 和 ${\lambda }_2$，且 ${\lambda }_1<{\lambda }_2$，如图 3 所示，生成两种 CDN queries：

• positive queries：noise scale 小于 ${\lambda }_1$，用于重建 gt box
• negative queries：noise scale 大于 ${\lambda }_1$ 小于 ${\lambda }_2$，用于预测 “no object”

如图 3 所示，每个 CDN group 有一系列 positive queries 和 negative queries，如果一个图像有 n 个 GT box，CDN group 会有 2n 哥 queries，因为每个 GT box 生成一个 positive 和一个 negative queries

2.3 Mixed Query Selection

如图 5c，DINO 只使用 position information 和 selected top-K features 来初始化 anchor box，保持 content queries

2.4 Look Forward Twice

三、效果