将多样化分配策略集成至 DETR
计算机视觉与模式识别
2026-01-15 v1
摘要
标签分配是目标检测器中的关键组件，尤其在 DETR 风格框架中，一对一匹配策略尽管具有端到端的优雅性，却因监督稀疏而收敛缓慢。尽管近期工作探索了一对多分配以丰富监督信号，但它们通常引入复杂的、特定于架构的修改，且往往聚焦于单一辅助策略，缺乏统一且可扩展的设计。本文首先系统地研究了“一对多”监督的效果，揭示了一个令人惊讶的见解：性能提升并非源于监督的绝对数量，而是源于所用分配策略的多样性。这一发现表明，存在一种更优雅、参数高效的方法。基于此见解，我们提出了 LoRA-DETR，一个灵活且轻量的框架，可将多样化分配策略无缝集成至任意 DETR 风格检测器。我们的方法在训练期间通过多个低秩自适应分支增强主网络，每个分支实例化不同的一对多分配规则。这些分支作为辅助模块向主模型注入丰富、多样的监督梯度，并在推理时被丢弃，因此不产生额外计算开销。该设计促进了鲁棒的联合优化，同时保持了原始检测器的架构简洁性。在不同基线上的大量实验验证了我们方法的有效性。我们的工作提出了一种增强检测器的新范式，证明了可以集成多样化的“一对多”监督以实现 SOTA 结果，同时不损害模型的优雅性。
引用
@article{arxiv.2601.09247,
title = {Integrating Diverse Assignment Strategies into DETRs},
author = {Yiwei Zhang and Jin Gao and Hanshi Wang and Fudong Ge and Guan Luo and Weiming Hu and Zhipeng Zhang},
journal= {arXiv preprint arXiv:2601.09247},
year = {2026}
}