CQ-DINO：通过类别查询消除梯度稀释以实现大词汇量目标检测
计算机视觉与模式识别
2025-10-13 v4
摘要
随着数据的指数级增长，传统目标检测方法正越来越难以有效应对大词汇量目标检测任务。我们分析了基于分类的检测器的两个关键局限性：正梯度稀释，即稀有正类别接收的学习信号不足；以及硬负梯度稀释，即判别性梯度被大量易负样本所淹没。为解决这些挑战，我们提出了CQ-DINO，这是一种基于类别查询的对象检测框架，将分类任务重新表述为对象查询与可学习类别查询之间的对比任务。该方法引入图像引导的查询选择，通过跨注意力机制自适应检索每个图像的前K个相关类别，从而缩小负样本空间，实现梯度分布的再平衡，并促进隐式的硬示例挖掘。此外，CQ-DINO能够灵活地在结构化数据集（如V3Det）中集成显式的层次化类别关系，或通过自注意力机制在通用数据集（如COCO）中学习隐式的类别关联。实验表明，CQ-DINO在具有挑战性的V3Det基准上取得优异性能（超越前任方法2.1%的AP），同时在COCO上保持竞争力。我们的工作为需要广泛类别覆盖的实际检测系统提供了可扩展的解决方案。代码已公开于https://github.com/FireRedTeam/CQ-DINO。
引用
@article{arxiv.2503.18430,
title = {CQ-DINO: Mitigating Gradient Dilution via Category Queries for Vast Vocabulary Object Detection},
author = {Zhichao Sun and Huazhang Hu and Yidong Ma and Gang Liu and Yibo Chen and Xu Tang and Yao Hu and Yongchao Xu},
journal= {arXiv preprint arXiv:2503.18430},
year = {2025}
}
备注
Accepted at NeurIPS 2025