End-to-End Object Detection with Transformers

[AtsukiOsanai]

End-to-End Object Detection with Transformers

Information

• Authors:
• Organization:
• Paper: https://arxiv.org/abs/2005.12872
• Code: https://github.com/facebookresearch/detr
• Conference/Journal:

Summary

サマリ図表

どんな論文か？

新規性

結果

• Ablation Study
  • ResNetのLast blockをDilated Convにして、resolutionをx2にすると小さいobjectの検出精度が上がる
  • ただし、EncoderのSAの計算量がx16となる（(2h x 2w, c) x (c, 2h, 2w) = 16 x (hw, hw))
  • positional encoding (Table3)
  • encoder/decoderにsinusoidalを全てのSA blockに, output decoderの全てのAttention Blockにobject queryを入れるのがベスト
  • encoder/decoderのpos embを抜いてもそこそこ精度が出るのが驚き
  • object queryはそれぞれどの位置のbboxを検出するかを役割分担している（Fig.7）
  • Loss
  • GIoU Lossの重要度が高い

その他（なぜ通ったか？など）