别让信息流失
计算机视觉与模式识别
2026-03-02 v2
摘要
实时目标检测技术近年迅速发展。YOLO系列探测器是最知名的基于卷积神经网络的目标检测模型，无法被忽视。最新版本YOLOv26已发布，而YOLOv12通过在COCO val2017数据集上取得55.2 mAP的成绩实现了最先进（SOTA）性能。与此同时，基于变换器的目标检测模型（即DEtection TRansformer，DETR）展现了惊人的性能。RT-DETR在发布时在速度和精度方面均优于YOLO系列，而其后继版本RT-DETRv2实现了53.4 mAP的COCO val2017数据集成绩。然而，尽管这些模型性能卓越，却都让信息流失了。它们主要关注前景物体的特征，忽略了背景提供的上下文信息。我们认为，背景信息对目标检测任务具有重要帮助。例如，汽车更可能出现在道路上而非办公室，野生动物则更可能在森林或偏远地区而非繁华街道。为此，我们提出一种名为Association DETR的对象检测模型，在COCO val2017数据集上相较于其他目标检测模型实现了最先进的结果。
引用
@article{arxiv.2602.22595,
title = {Don't let the information slip away},
author = {Taozhe Li and Guansu Wang and Bo Yu and Yiming Liu and Wei Sun},
journal= {arXiv preprint arXiv:2602.22595},
year = {2026}
}
备注
10