Group DETR：基于分组式一对多分配的快速 DETR 训练方法

检测 transformer (DETR) 依赖一对一分配（将一个真实物体分配给一个预测）来实现无需 NMS 后处理的端到端检测。众所周知，一对多分配（将一个真实物体分配给多个预测）在 Faster R-CNN 和 FCOS 等检测方法中取得了成功。然而朴素的一对多分配对 DETR 并不奏效，且将一对多分配应用于 DETR 训练仍具挑战性。本文提出 Group DETR，一种简单而高效的 DETR 训练方法，引入分组式的一对多分配机制。该方法使用多组目标查询，在每组内执行一对一分配，并分别进行解码器自注意力计算。这类似于通过自动学习的对象查询增强实现的数据增强，也等价于同时训练相同架构的参数共享网络，从而引入更多监督信号并改善 DETR 训练。推理过程与常规训练的 DETR 相同，仅需一组查询且无需任何架构修改。Group DETR 具有通用性，可应用于多种 DETR 变体。实验表明，Group DETR 显著加速训练收敛并提升各类基于 DETR 的模型性能。代码将发布于 \url{https://github.com/Atten4Vis/GroupDETR}。