PaQ-DETR：学习模式与质量感知的动态查询用于目标检测
计算机视觉与模式识别
2026-03-24 v2
摘要
目标检测变换器(DETR)通过将其建模为集合预测任务在端到端框架中重新定义了目标检测。尽管其优雅性，DETR及其变体仍依赖于固定可学习查询，并存在严重的查询利用不平衡，这限制了可适应性并未充分利用模型容量。我们提出PaQ-DETR(模式和质量感知DETR)，一个统一框架旨在增强查询的可适应性和监督平衡。它学习一组紧凑的共享潜在模式，捕获全局语义，并通过内容条件加权动态生成图像特定查询。并行地，一种质量感知的一对多分配策略基于位置-分类一致性自适应选择正样本，丰富监督并促进查询优化的平衡。在COCO、CityScapes等多个基准上实验显示，相对于DETR基线，mAP提升1.5%-4.2%，包括ResNet和Swin-Transformer等主流backbone。除准确率提升外，我们的方法提供了关于动态模式如何在目标类别之间进行语义聚类的可解释见解。
引用
@article{arxiv.2603.06917,
title = {PaQ-DETR: Learning Pattern and Quality-Aware Dynamic Queries for Object Detection},
author = {Zhengjian Kang and Jun Zhuang and Kangtong Mo and Qi Chen and Rui Liu and Ye Zhang},
journal= {arXiv preprint arXiv:2603.06917},
year = {2026}
}
备注
10 pages, 6 figures, Accepted at CVPR2026