Conditional DETR V2：基于框查询的高效检测 Transformer
计算机视觉与模式识别
2022-07-20 v1
摘要
在本文中，我们关注 Detection Transformer (DETR)，一种基于 transformer 编码器-解码器架构且无手工后处理（如 NMS）的端到端目标检测方法。受 Conditional DETR（一种具有快速训练收敛性的改进 DETR，其为内部解码器层提出了框查询（原称空间查询））的启发，我们将目标查询重构为框查询的形式，即参考点的嵌入与相对于参考点的框的变换的组合。这一重构表明了 DETR 中的目标查询与 Faster R-CNN 中广泛研究的锚框之间的联系。此外，我们从图像内容中学习框查询，在保持快速训练收敛的同时进一步提升了 Conditional DETR 的检测质量。另外，我们采用轴向自注意力以节省内存开销并加速编码器。所得检测器称为 Conditional DETR V2，取得了优于 Conditional DETR 的结果，节省了内存开销且运行更高效。例如，对于 DC-ResNet- 骨干网络，我们的方法在 COCO 集上以 FPS 达到 AP，与 Conditional DETR 相比，其运行速度快 ，节省 \% 的整体内存开销，并提升 AP 分数。
引用
@article{arxiv.2207.08914,
title = {Conditional DETR V2: Efficient Detection Transformer with Box Queries},
author = {Xiaokang Chen and Fangyun Wei and Gang Zeng and Jingdong Wang},
journal= {arXiv preprint arXiv:2207.08914},
year = {2022}
}