代码地址：https://github.com/ShihuaHuang95/DEIM
论文地址：DEIM: DETR with Improved Matching for Fast Convergence
论文中文版：DEIM: 改进匹配的 DETR 以实现快速收敛
以下是文章的主要贡献和发现：
DEIM框架：提出了DEIM，这是一个简单且灵活的训练框架，用于加速实时目标检测模型的收敛。
Dense O2O匹配：通过在训练图像中增加目标数量，DEIM在保持一对一匹配结构的同时，增加了正样本的数量，从而提供了更密集的监督信号，加速了模型的学习。
Matchability-Aware Loss（MAL）：提出了一种新的损失函数MAL，它根据匹配质量对损失进行缩放，优化了不同质量水平上的匹配，特别是在低质量匹配上，提高了有限正样本的效用。
实验验证：在COCO数据集上进行的广泛实验验证了DEIM的有效性。与RT-DETR和D-FINE集成时，DEIM在减少训练时间的同时提高了性能。特别是与RT-DETRv2集成时，DEIM在NVIDIA 4090 GPU上单天训练就达到了53.2%的平均精度（AP）。
性能提升：DEIM训练的实时模型在没有额外数据的情况下，超越了领先的实时目标检测器。例如，DEIM-D-FINE-L和DEIM-D-FINE-X在NVIDIA T4 GPU上分别以124 FPS和78 FPS的速度达到了54.7%和56.5%的AP。
摘要
DEIM 通过采用密集的一对一（Dense O2O）匹配策略和提出一种新颖的损失函数 Matchability-Aware Loss (MAL)，来增加每张图片中的正样本数量，优化不同质量水平的匹配效果。
在 COCO 数据集上的广泛实验验证了 DEIM 的有效性。与 RT-DETR 和 D-FINE 集成时，DEIM 能显著提升性能并减少50%的训练时间。
搭配 RT-DETRv2 使用时，DEIM 在 NVIDIA 4090 GPU 上仅用一天训练就达到了 53.2% AP。此外，DEIM 训练的实时模型在 NVIDIA T4 GPU 上达到了 54.7% 和 56.5% AP，性能超过了现有的实时目标检测器。
相关工作
目标检测与Transformer（DETR）
DETR基础：DETR（Detection Transformer）是一种基于Transformer的端到端目标检测框架，它通过使用匈牙利算法进行一对一（O2O）匹配，消除了对手工设计的非极大值抑制（NMS）的需求。DETR利用多头注意力机制捕捉全局上下文信息，从而提高定位和分类的准确性。
DETR的挑战：尽管DETR在目标检测领域显示出潜力，但它面临的主要挑战之一是收敛速度慢。这主要是因为O2O匹配机制限制了每个目标只有一个正样本，导致正样本稀疏，影响了模型的学习效率。
增加正样本数量
O2O与O2M：传统的目标检测方法，如YOLO系列，采用一对多（O2M）分配策略，为每个目标分配多个锚点，从而提供密集的监督信号，加速了模型的收敛并提高了性能。然而，这会导致每个目标产生多个重叠的边界框，需要NMS来移除冗余，引入了延迟和不稳定性。
在O2O框架内增加监督：一些研究探索了在O2O框架内增加监督的方法。例如，Group DETR使用多个查询组，每组独立进行O2O匹配，从而为每个目标分配多个正样本。Co-DETR提出了一种协作混合分配方案，通过辅助头与O2M标签分配结合，增强了编码器表示。
优化低质量匹配
查询初始化：DETR使用少量（100或300）随机初始化的查询，这些查询缺乏与目标的空间对齐，导致训练中存在大量低质量匹配。为了解决这个问题，一些方法引入了先验知识到查询初始化中，例如anchor queries、DAB-DETR、DN-DETR等。
损失函数的改进：现有的损失函数，如Varifocal Loss（VFL），主要针对高IoU的匹配进行优化，对低IoU的匹配关注不足。VFL主要针对高IoU匹配进行惩罚，对低IoU匹配的优化不足，因为它们的损失值很小。
减少计算成本
高效的注意力机制：为了提高效率和促进与多尺度特征的交互，开发了几种先进的注意力机制，如可变形注意力、多尺度可变形注意力、动态注意力和级联窗口注意力。
高效的编码器：例如，Lite DETR引入了一个编码器块，该块在高级和低级特征之间交替更新，而RT-DETR在其编码器中结合了CNN和自注意力，显著减少了资源消耗。
DEIM优化
提出的DEIM（Detection with Improved Matching）框架主要做了以下优化：
Dense O2O Matching（密集一对一匹配）
传统的DETR模型采用一对一（O2O）匹配策略，每个目标只与一个预测框匹配，这限制了正样本的数量，导致监督稀疏。
DEIM通过增加每张图片中的目标数量来增加正样本数量，使用如mosaic和mixup等数据增强技术，生成额外的正样本，从而提供更密集的监督，加速模型收敛。
Matchability-Aware Loss (MAL)（匹配能力感知损失）
为了处理密集一对一匹配引入的大量低质量匹配，DEIM提出了MAL，这是一种新的损失函数，它根据匹配质量（IoU）和分类置信度来调整损失，优化不同质量水平的匹配。
MAL在处理低质量匹配时，相比传统的Varifocal Loss (VFL)，能够更有效地提升模型性能，特别是在训练的早期阶段。
DEIM显著加快了RT-DETRv2和D-FINE模型的收敛速度，与RT-DETRv2搭配使用时，仅需一半的训练周期就能达到相似的性能。
实验结果
在 MS-COCO 数据集上进行训练和验证，展示了 DEIM 在不同模型和数据集上的性能提升。
与现有的实时目标检测器（包括基于 YOLO 和 DETR 的模型）相比，DEIM 在训练成本、推理延迟和检测精度方面均表现出色。
