DQ-DETR：用于微小物体检测的具有动态查询的 DETR
内容提要
本研究针对小物体检测中的 RT-DETR 模型进行了改进，提出了细粒度路径增强和自适应特征融合，以提高检测准确性。同时，Sparse Semi-DETR 和 Q-DETR 通过优化查询和伪标签过滤，增强了对小型和遮挡对象的检测能力。Rank-DETR 和 RAQG 方法进一步提升了模型在复杂场景中的表现，而 Cascade-DETR 则通过级联注意力层提高了定位准确性，显示出在多个数据集上的显著改进。
延伸解读
小物体检测的改进方向
针对小物体检测，RT-DETR 的改进聚焦于细粒度路径增强和自适应特征融合。前者通过提供更多细节来精确定位小物体，后者整合不同尺度的特征信息，从而提升模型对不同尺度目标的检测准确率。这些改进直接回应了小物体在特征图中信息不足的问题，为后续研究提供了可借鉴的思路。
半监督与量化优化的进展
Sparse Semi-DETR 通过查询精化模块和可靠伪标签过滤模块，解决了半监督检测中查询质量不准确和重叠预测的问题，增强了对小型和部分遮挡对象的检测能力。Q-DETR 则采用分布矫正蒸馏方法优化查询分布，在 COCO 数据集上，4-bit 量化模型配合 ResNet-50 骨干网实现了 6.6 倍加速，AP 达到 39.4%，性能差距仅 2.6%。
复杂场景下的查询与定位增强
RAQG 方法通过排名预测和自适应选择，使 DETR 能在不同拥挤场景中自适应生成查询，在 Crowdhuman 数据集上达到了 39.4% 的最佳 MR。Cascade-DETR 则引入级联注意力层，将对象中心信息集成到解码器中，并预测查询的预期 IoU 以改进置信度校准，在 UDB10 基准的所有数据集上均显著优于基于 DETR 的检测器，部分提升超过 10 个 mAP。
Q&A
DQ-DETR的主要改进是什么？
DQ-DETR主要通过细粒度路径增强和自适应特征融合来提高小物体检测的准确性。
Sparse Semi-DETR如何提高小物体的检测能力？
Sparse Semi-DETR通过引入查询精化模块和伪标签过滤模块，解决了对象查询质量不准确和重叠预测的问题，从而提高了对小型和部分遮挡对象的检测能力。
Q-DETR的分布矫正蒸馏方法有什么优势？
Q-DETR的分布矫正蒸馏方法优化了查询分布，使熵最大化，从而提升了检测速度和准确性。
Rank-DETR是如何提高定位精度的？
Rank-DETR通过等级化设计，包括等级化架构和损失函数设计，显著提高了模型的准确性和定位精度。
RAQG方法在复杂场景中的表现如何？
RAQG方法使得DETR在复杂场景中能够自适应生成查询，并在Crowdhuman和Citypersons数据集上取得了竞争力的检测结果。
Cascade-DETR的级联注意力层有什么作用？
Cascade-DETR的级联注意力层通过限制关注先前的目标框预测，显式地将对象中心信息集成到检测解码器中，从而提高定位准确性。
