本文提出基于 Transformer 的新方法 O²DETR，实现了复杂的有方向物体检测，无需旋转锚点，其性能表现明显优于 Faster R-CNN 和 RetinaNet。

Jun, 2021

利用旋转敏感形变注意力来增强 DETR 在面向检测任务中对旋转目标的检测能力，进而提出了旋转物体检测 Transformer（RotaTR）作为 DETR 的扩展模型，相比原始 DETR，在检测密集和旋转对象方面显示出巨大优势，并与现有最先进的模型相比取得了竞争性的结果。

Dec, 2023

本研究探讨了使用 DEtection TRansformer（DETR）检测医学成像中可疑区域的可行性，研究表明这种方法能够与甚至优于当前方法进行匹配，且无需依赖锚点或手动启发式设计等方式来检测对象。

Jun, 2023

引入一种基于等级的 DETR 目标检测器 Rank-DETR，通过一系列等级化设计，包括等级化架构设计和损失函数设计，提高了准确性和定位精度，并成功应用于最新的 SOTA 方法，展示了其有效性。

Oct, 2023

该研究提出了一种新方法，将目标检测作为直接集合预测问题进行处理，主要采用基于集合的全局损失和 Transformer 编码器 - 解码器架构构建 DETR 模型，能够高效地完成目标检测和全景分割任务，相较于许多现代检测器，DETR 模型概念简单且不需要专门的库。

May, 2020

探讨 DETR 中跨不同解码器层次的匹配稳定性问题，提出使用位置度量监督正样本的分类得分和集成位置度量到 DETR 的分类损失和匹配代价中的两种方法，并在 COCO 检测基准测试中验证其有效性。

Apr, 2023

本文介绍了 DINO（带有改进去噪技术和锚框选择方法的 DETR 模型），是一种最先进的端到端对象检测器，通过使用对比方式的去噪训练、混合查询选择方法的锚初始化以及两次向前的方案了来改进 DETR 模型，该模型使用 ResNet-50 的主干和多尺度特征，在 COCO 数据集上的 12 个时期达到 49.4AP，69.3% val mAP (63.3AP & 63.2AP)，并且可以很好地扩展到模型大小和数据集大小。

Mar, 2022

本文提出了一种旋转等变探测器（ReDet），它可以准确地预测方向并且具有巨大的模型尺寸减小，同时在 RoI 对齐上具有旋转不变性。在多个具有挑战性的航空影像数据集上，与以前的最佳结果相比，ReDet 的实验结果更好，同时可以降低 60％的参数（313 Mb 与 121 Mb）。

Mar, 2021

通过引入实例级对比损失、修订的采样策略和轻量级分配方法，我们展示了如何将 DETR 转化为 MOT 模型，学习目标的外观并保留检测能力，其性能在具有挑战性的 BDD100K 数据集上超过了先前的最新技术水平 2.6 mMOTA，并在 MOT17 数据集上与现有的基于 transformer 的方法相媲美。

Nov, 2023

本文提出了第一款实时端到端物体检测器 ——Real-Time DEtection TRansformer（RT-DETR），支持灵活调整推理速度且在速度和准确度上均优于同一规模的 YOLO 检测器以及 DINO-Deformable-DETR-R50 模型，采用了高效的混合编码器处理多尺度特征并提出 IoU 感知的查询选择。

Apr, 2023