"DETR：直接集合预测的目标检测框架"

本文提出了一种新方法，将目标检测视为直接的集合预测问题。这一方法简化了检测管道，有效地消除了对许多手工设计组件的需要，如非最大抑制程序或锚点生成。新框架称为检测TRansformer或DETR，其主要成分是基于集合的全局损失，通过二分图匹配强制进行独特的预测，以及TRansformer编码器-解码器架构。DETR通过对对象和全局图像上下文的关系进行推理，直接输出最终的预测集。与许多其他现代检测器不同，DETR模型非常简单，不需要专门的库。在具有挑战性的COCO目标检测数据集上，DETR展示了与完善的、高度优化的Faster RCNN基线相当的准确性和运行时间性能。此外，DETR易于推广，以统一的方式产生全景分割。实验表明，DETR明显优于有竞争力的基线。训练代码和预训练模型可以在https://github.com/facebookresearch/detr上找到。 目标检测是计算机视觉领域的一个重要问题，旨在预测感兴趣物体的边界框和类别标签。传统的目标检测方法通常基于深度学习模型和复杂的网络架构，如Faster RCNN，YOLO和SSD等。然而，这些方法通常需要大量的手工设计组件，如非最大抑制程序和锚点生成，以及复杂的调参过程。因此，研究人员一直在寻找更简单、更有效的目标检测方法。 本文提出的DETR方法将目标检测视为集合预测问题，并引入了全局损失和TRansformer编码器-解码器架构。具体来说，DETR通过对对象和全局图像上下文之间的关系进行推理，直接并行输出最终的预测集。与传统方法不同，DETR不需要手工设计的组件，从而简化了整个检测管道。 通过在挑战性的COCO目标检测数据集上进行实验，DETR展示出了与Faster RCNN等基线模型相当的准确性和运行时间性能。此外，DETR还能够轻松推广到全景分割任务，并在实验中表现优异。这表明DETR在目标检测领域具有广泛的应用前景。 总的来说，本文提出的DETR方法在目标检测领域取得了显著的进展，展示出了简单、有效和易于推广的特点。未来的研究可以进一步探索DETR在其他计算机视觉任务上的适用性，以及进一步优化模型性能和训练效率。