MI-DETR：一种基于多时段询问机制的对象检测模型
计算机视觉与模式识别
2025-03-04 v1
摘要
基于分析常见采用级联解码器架构的DETR类模型的特征，本文提出了一种新型解码器架构。级联解码器架构限制了对象查询在级联方向上更新，仅使对象查询能够从图像特征中学习相对有限的信息。然而，针对自然场景中（如极小型、严重遮挡且与背景混合混乱）的对象检测挑战，需要对象检测模型充分利用图像特征，这促使我们提出一种带有并行多时段询问（Multi-time Inquiries, MI）机制的新型解码器架构。MI使对象查询能够学习更为全面的信息，我们基于MI的模型MI-DETR在COCO基准测试中，在不同的主干网络和训练历元数下均优于所有现有的DETR类模型，在ResNet-50主干网络下，相较于最具代表性的模型DINO和SOTA模型Relation-DETR分别实现了+2.3 AP和+0.6 AP的提升。此外，一系列诊断和可视化实验表明了MI的有效性、合理性和可解释性。
引用
@article{arxiv.2503.01463,
title = {MI-DETR: An Object Detection Model with Multi-time Inquiries Mechanism},
author = {Zhixiong Nan and Xianghong Li and Jifeng Dai and Tao Xiang},
journal= {arXiv preprint arXiv:2503.01463},
year = {2025}
}
备注
14 pages,9 figures,accepted to CVPR2025