超越匈牙利：端到端目标检测的无匹配监督
计算机视觉与模式识别
2026-03-10 v1 人工智能
摘要
最近的基于 DETR（Detection Transformer）框架在端到端目标检测方面取得了显著成功。然而，依赖于 DETR 框架进行查询与真实框之间的匈牙利算法匹配引入了计算开销并使训练动态变得复杂化。本文提出一种新的无匹配训练方案，用于 DETR-based 检测器，消除对显式启发式匹配的需求。我们方法的核心是专门的基于交叉注意力的查询选择（CAQS）模块。我们不使用离散分配，而是利用编码的真实信息通过交叉注意力机制探测解码器查询。通过最小化查询结果与真实值之间的加权误差，模型自主学习查询与特定目标之间的隐式对应关系。这种学习到的关系进一步为查询学习提供了监督信号。实验结果表明，我们提出的方法绕过了传统的匹配过程，显著提高了训练效率，将匹配延迟降低超过 50%，通过可微分对应学习有效消除了离散匹配瓶颈，并且还优于现有最先进方法。
引用
@article{arxiv.2603.08514,
title = {Beyond Hungarian: Match-Free Supervision for End-to-End Object Detection},
author = {Shoumeng Qiu and Xinrun Li and Yang Long},
journal= {arXiv preprint arXiv:2603.08514},
year = {2026}
}