一、本文介绍
本文记录的是利用焦点调制模块Focal Modulation改进RT-DETR的方法研究。Focal Modulation利用深度可分离卷积层实现的焦点语境化来编码从短到长范围的视觉语境，通过门控聚合有选择性地为每个查询标记收集语境到调制器中，并利用逐元素仿射变换将调制器注入查询，优化了对视觉任务中标记交互的建模能力，提高模型性能。
专栏目录：RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：RT-DETR改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
二、Focal Modulation结构详解
Focal Modulation Networks
2.1 设计出发点
- 对自注意力机制的思考：自注意力（SA）机制在视觉任务中虽有优势，但存在计算复杂度高的问题，尤其是对于高分辨率输入。许多研究通过各种方法改进SA，但作者思考是否存在比SA更好的方式来建模输入相关的长程交互。
- 现有相关工作的启发：一些研究通过在SA中增加卷积操作来捕捉长程依赖并兼顾局部结构，但作者希望探索一种全新的机制。受焦点注意力的启发，作者尝试先聚集每个查询周围的上下文，然后用聚集的上下文自适应地调制查询，从而提出Focal Modulation机制。
2.2 原理
2.2.1 从自注意力到焦点调制
- 自注意力（SA）：使用晚期聚合程序，先计算查询和目标之间的注意力分数，然后对上下文进行聚合。
- 焦点调制（Focal Modulation）：采用早期聚合程序，先在每个位置聚合上下文特征，然后查询与聚合后的特征进行交互。
2.2.2 上下文聚合
分层语境化（Hierarchical Contextualization）：通过一系列深度可分离卷积层，从局部到全局范围提取不同粒度级别的上下文，每层的输出通过线性层投影和激活函数得到。
- 门控聚合（Gated Aggregation）：根据查询内容，使用线性层获取空间和层级感知的门控权重，对不同粒度级别的上下文特征进行加权求和，得到单个特征图，再通过另一个线性层得到调制器。
2.2.3 焦点调制操作
- 在得到调制器后，通过查询投影函数和元素级乘法将调制器注入到查询中，实现焦点调制。
2.3 结构
- 网络架构：使用与Swin和Focal Transformers相同的阶段布局和隐藏维度，但将SA模块替换为Focal Modulation模块。通过指定焦点级别数量和每个级别的内核大小来构建不同的Focal Modulation Network（FocalNet）变体。
- 模块组成
- 深度可分离卷积层：用于分层语境化，提取不同层次的上下文特征。
- 线性层：用于投影、获取门控权重以及生成调制器等操作。
2.4 优势
- 计算效率
- 参数数量：整体可学习参数数量主要由几个线性投影和深度可分离卷积决定，相较于一些对比模型，模型大小可通过调整相关参数得到控制。
- 时间复杂度：除了线性投影和深度可分离卷积层，元素级乘法对每个视觉标记引入的复杂度相对较低，相比Swin Transformer的窗口注意力和ViT的普通自注意力，具有一定优势。
- 性能优势
- 在多个任务上超越对比模型：在图像分类、目标检测和语义分割等任务上，FocalNets始终显著优于SoTA SA相关模型（如Swin和Focal Transformers），在不同的数据集和评估指标上均有体现。
- 模型解释性强：通过可视化调制器、门控权重等，可以直观地看到模型对不同区域的关注和信息聚合方式，为模型解释提供了新的途径。
论文：https://arxiv.org/pdf/2203.11926
源码：https://github.com/microsoft/FocalNet
三、实现代码及RT-DETR修改步骤
模块完整介绍、个人总结、实现代码、模块改进、二次创新以及各模型添加步骤参考如下地址：
