in: con- ference on computer vision and pattern recognition

"Conference on Computer Vision and Pattern Recognition"（计算机视觉与模式识别会议）是一个重要的学术会议，是计算机视觉和模式识别领域的顶级会议之一。该会议由国际计算机科学家和工程师组成的学术界和工业界的专家们参与，并定期举办。这个会议提供了一个促进学术交流、展示研究成果和讨论最新领域进展的平台。

在这个会议上，参与者可以提交他们的研究论文、技术报告和实验结果，以展示他们在计算机视觉和模式识别方面的最新研究进展。评审委员会将选择高质量的论文和报告，并安排它们在会议期间进行展示和讨论。会议包括主题演讲、研讨会、技术展示以及学术交流会等活动。

这个会议为与会者提供了让他们与同行专家和业界人士建立联系、讨论和分享他们的研究成果的机会。在这些交流中，与会者可以从其他研究者的研究中获取新的思路和灵感，同时也可以获得评论和建议来改进自己的工作。此外，会议还可能面向工业界，提供计算机视觉和模式识别领域的最新商业应用和发展趋势。

参加"Conference on Computer Vision and Pattern Recognition"对于从事计算机视觉和模式识别研究的学者和工程师来说，是一个重要的机会。通过参与这个会议，他们可以展示他们的研究成果，拓宽他们的学术视野，扩大他们的合作网络，并与领域内其他研究者共同推动计算机视觉和模式识别领域的发展。

相关问题

Carion N，Massa F，Synnaeve G，et al． End-to-end object detection with transformers［C］/ /Proc． of the European Conference on Computer Vision． Glasgow: Springer Press，2020: 213 － 229．

这是一篇论文，题目是《使用变换器进行端到端的物体检测》。这篇论文是在2020年的欧洲计算机视觉会议上发表的，出版商是斯普林格出版社，页码范围是213至229页。论文的作者是Carion N、Massa F和Synnaeve G等人。

改写这段文字This paper investigates a phenomenon where query- based object detectors mispredict at the last decoding stage while predicting correctly at an intermediate stage. We review the training process and attribute the overlooked phenomenon to two limitations: lack of training emphasis and cascading errors from decoding sequence. We design and present Selective Query Recollection (SQR), a simple and effective training strategy for query-based object detec- tors. It cumulatively collects intermediate queries as decod- ing stages go deeper and selectively forwards the queries to the downstream stages aside from the sequential struc- ture. Such-wise, SQR places training emphasis on later stages and allows later stages to work with intermediate queries from earlier stages directly. SQR can be easily plugged into various query-based object detectors and sig- nificantly enhances their performance while leaving the in- ference pipeline unchanged. As a result, we apply SQR on Adamixer, DAB-DETR, and Deformable-DETR across various settings (backbone, number of queries, schedule) and consistently brings 1.4 ∼ 2.8 AP improvement.

本文研究了一种现象，即在预测中间阶段正确的情况下，在最后的解码阶段出现查询基础目标检测器误判的情况。我们回顾了训练过程，并将被忽视的现象归因于两个限制：缺乏训练重点和解码序列中的级联错误。我们设计并提出了选择性查询回收（SQR），这是一种简单而有效的查询基础目标检测器训练策略。随着解码阶段的加深，它累积收集中间查询，并选择性地将查询转发到下游阶段，除了顺序结构之外。因此，SQR将训练重点放在后期阶段，并允许后期阶段直接使用早期阶段的中间查询。SQR可以轻松地插入各种查询基础目标检测器，并显着提高它们的性能，同时保持推理管道不变。因此，我们在各种设置（骨干网络，查询数量，时间表）上将SQR应用于Adamixer，DAB-DETR和Deformable-DETR，并始终带来1.4〜2.8 AP的改进。