目标检测DETR升级版横空出世！超越YOLO系列，高区Accept拿到手软~

前段时间北大号称终结YOLO的RT-DETR大家关注了没？还有它超越YOLOv10的进阶版RT-DETRv3...百度&北航&中科院也爆成果了，提出LW-DETR，性能优于YOLO系列...最近有关 DETR改进 的研究简直太热闹。

众所周知， DETR是一种创新的目标检测框架，在学术研究和特定高精度需求的应用中一直表现出色。 一方面，DETR基于Transformer的架构，简化了传统OD方法中的复杂步骤，提高检测精度的同时也提升了模型的灵活性和泛化能力。

另一方面，DETR讲故事的能力更突出，对于论文er来说，目标检测领域如果想发三区及以上，还是选择改DETR更适合。比如百度就有一篇CVPR 2024，提出的KD-DETR mAP提升近一半，Neurips上我也发现不少...

本文挑选了 12篇 DETR最新改进成果 分享，全部都有代码，方便各位有论文需求的同学作参考，整理不易，点个赞支持一下~

扫码添加小享， 回复“ DETR改进 ”

免费获取 全部论文+开源代码

DETRs Beat YOLOs on Real-time Object Detection

方法： 论文介绍了一种名为RT-DETR的新型实时目标检测器。这个模型是首个据作者所知的实时端到端（end-to-end）目标检测器，它在速度和准确性上都超越了现有的实时目标检测器，包括YOLO系列。

创新点：

• RT-DETR 引入了高效的混合编码器，用于快速处理多尺度特征，从而显著提高推理速度。
• RT-DETR 提出了不确定性最小查询选择方案，通过明确优化不确定性，为解码器提供高质量的初始查询，从而提高准确性。

LW-DETR: A Transformer Replacement to YOLO for Real-Time Detection

方法： 论文介绍了一种轻量级的检测Transformer，LW-DETR。通过多层特征聚合和高效的训练、推理技术，在COCO等基准数据集上实现了比现有实时检测器（如YOLO系列）更优的性能和更低的延迟。

创新点：

• 轻量级架构：结合ViT编码器和DETR解码器，简化实时检测模型。
• 特征聚合与注意力优化：聚合多级特征图，优化注意力机制，降低计算复杂度。
• 预训练和监督策略：大规模预训练和改进的监督策略提升性能和训练效率。

扫码添加小享， 回复“ DETR改进