主要观点总结
本文介绍了一种基于Transformer的检测框架Salience DETR，旨在解决两阶段类似DETR的检测器中的编码和选择冗余问题。通过分层显著度过滤细化，选择性地对有判别力的查询进行编码，以克服尺度偏差。模型通过背景嵌入和跨级别标记融合解决了不同级别和层的查询之间的语义错位问题，并利用冗余去除模块稳定两阶段初始化。在三个特定任务和一个通用目标检测数据集上实现了最先进的性能，并且在计算和精度之间取得了优越的平衡。
关键观点总结
关键观点1: Salience DETR的主要贡献
提出了分层显著度过滤细化，通过尺度无关的显著度监督选择性地对一部分有判别力的查询进行编码，以克服尺度偏差；通过背景嵌入和跨级别标记融合解决了查询之间的语义错位；利用冗余去除模块稳定两阶段初始化。
关键观点2: Salience DETR的性能表现
在三个特定任务和一个通用目标检测数据集上实现了最先进的性能，并且在计算和精度之间取得了优越的平衡。
关键观点3: 论文指导班介绍
论文指导班面向没有导师指导、需要升学申博的朋友，指导老师具有极强的学术和工业界综合背景，涉及范围包括CCF会议、SCI期刊、EI期刊等。
文章预览
前言 由于两阶段初始化中所选查询与目标之间的不匹配，次优的两阶段选择策略会导致尺度偏差和冗余。为了解决这些问题，作者提出了分层显著度过滤细化，它仅对经过过滤的有判别力的查询进行 Transformer 编码，以便在计算效率和精度之间取得更好的平衡，过滤过程通过一种新的尺度无关的显著度监督来克服尺度偏差。 Pytorch训练营，花两个星期彻底掌握代码实现 CV各大方向专栏与各个部署框架最全教程整理 CV全栈指导班、基础入门班、论文指导班 全面上线!! 来源：AILab笔记 仅用于学术分享，若侵权请联系删除 代码：https://github.com/xiuqhou/Salience - DETR 主要贡献 （1）本文提出了一种具有分层显著度过滤细化的新型检测器，名为 Salience DETR。 （2）引入了一种尺度无关的显著度引导监督来克服查询过滤过程中的尺度偏差。 （3）基于所提出的监督
………………………………
