目标检测DETR升级版横空出世！超越YOLO系列，高区Accept拿到手软~
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
前段时间北大号称终结YOLO的RT-DETR大家关注了没？还有它超越YOLOv10的进阶版RT-DETRv3…百度&北航&中科院也爆成果了，提出LW-DETR，性能优于YOLO系列…最近有关DETR改进的研究简直太热闹。
众所周知，DETR是一种创新的目标检测框架，在学术研究和特定高精度需求的应用中一直表现出色。一方面，DETR基于Transformer的架构，简化了传统OD方法中的复杂步骤，提高检测精度的同时也提升了模型的灵活性和泛化能力。
另一方面，DETR讲故事的能力更突出，对于论文er来说，目标检测领域如果想发三区及以上，还是选择改DETR更适合。比如百度就有一篇CVPR2024，提出的KD-DETRmAP提升近一半，Neurips上我也发现不少…
本文挑选了12篇DETR最新改进成果分享，全部都有代码，方便各位有论文需求的同学作参考，整理不易，点个赞支持一下~
扫码添加小享，回复“DETR改进”
免费获取全部论文+开源代码
方法：论文介绍了一种名为RT-DETR的新型实时目标检测器。这个模型是首个据作者所知的实时端到端（end-to-end）目标检测器，它在速度和准确性上都超越了现有的实时目标检测器，包括YOLO系列。
创新点：
RT-DETR引入了高效的混合编码器，用于快速处理多尺度特征，从而显著提高推理速度。
RT-DETR提出了不确定性最小查询选择方案，通过明确优化不确定性，为解码器提供高质量的初始查询，从而提高准确性。
方法：论文介绍了一种轻量级的检测Transformer，LW-DETR。通过多层特征聚合和高效的训练、推理技术，在COCO等基准数据集上实现了比现有实时检测器（如YOLO系列）更优的性能和更低的延迟。
创新点：
轻量级架构：结合ViT编码器和DETR解码器，简化实时检测模型。
特征聚合与注意力优化：聚合多级特征图，优化注意力机制，降低计算复杂度。
预训练和监督策略：大规模预训练和改进的监督策略提升性能和训练效率。
扫码添加小享，回复“DETR改进”
免费获取全部论文+开源代码
方法：论文研究了DETR模型的压缩，通过知识蒸馏提出了首个适用于同构和异构蒸馏的通用框架KD-DETR，分析了DETR蒸馏中的关键点，并通过一系列实验验证了KD-DETR在增强学生模型性能方面的灵活性、通用性及可扩展性。
创新点：
首次提出了用于DETR的通用知识蒸馏范式（KD-DETR），这是第一个适用于同构和异构蒸馏的通用知识蒸馏框架。
引入了一种综合的“从一般到特定”的蒸馏点采样方案，包括通用采样、特定采样和前景重平衡权重。
提出了多尺度DETR的学生嵌入初始化继承策略，作为KD-DETR的一部分。
方法：论文提出了一种DETR改进模型DQ-DETR，通过一个分类计数模块动态调整解码器阶段使用的查询数量，并利用计数引导的特征增强模块来提升微小物体的空间信息，从而改善查询的位置信息，使模型能够更精确地定位小物体。
创新点：
DQ-DETR通过分类计数模块动态调整用于检测的对象查询数量，以适应不同图像中实例数量的不平衡。
预测和密度图来估计图像中的实例数量，并将数量分为几个等级，从而动态调整对象查询的数量。
利用分类计数模块生成的密度图与视觉特征相结合，增强了微小物体的空间信息。
扫码添加小享，回复“DETR改进”
免费获取全部论文+开源代码
