我们提出了 Semi-DETR，一个基于 transformer 的端到端半监督物体检测器，通过阶段混合匹配策略、跨视图查询一致性方法和基于代价的伪标签挖掘模块解决 DETR 中存在的问题，并在 COCO 和 Pascal VOC 基准数据集上的所有 SSOD 设置中进行的实验表明，我们的方法优于所有现有方法。

Jul, 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

本文提出了一种新的基于 Transformer 的增量目标检测方法 ContinuaL DEtection TRansformer (CL-DETR)，通过引入 Detector Knowledge Distillation (DKD) 损失和新的 exemplar replay (ER) 校准策略，有效地解决了基于 Transformer 的增量目标检测方法中知识蒸馏和示范重播等未被充分利用的问题，并在 COCO 2017 等数据集上进行了广泛实验，取得了最新的一些研究成果。

Apr, 2023

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

基于 Transformer 的目标检测器 (DETR) 在机器视觉任务中表现出显著性能，但其在处理遮挡和对抗扰动等不同图像干扰方面存在问题。我们通过多种实验和将 DETR 与基于卷积神经网络 (CNN) 的检测器（如 YOLO 和 Faster-RCNN）进行基准测试来研究这个问题。我们发现 DETR 在处理遮挡图像的信息丢失干扰方面表现良好。然而，在涂有对抗标记的图像上，网络需要产生一组新的不必要的键、查询和值，导致网络方向错误。与图像损坏基准测试中 YOLOv5 相比，DETR 的性能也较差。此外，我们发现 DETR 在进行预测时严重依赖于主要查询，导致查询之间的贡献不平衡，因为主要查询接收大部分梯度流。

Oct, 2023

提出一种用于校准检测变压器的机制，以减少深度神经网络在目标检测中的错误率并提高其校准性能。

Nov, 2023

本文提出了一种新颖的去噪训练方法，旨在加快 DETR 训练的速度并深入了解 DETR-like 方法的收敛速度缓慢的问题。除使用匈牙利损失外，本文的方法还使用含噪声的 ground-truth 边界框来训练模型，以有效降低二分图匹配难度并实现更快的收敛。该方法适用于任何 DETR-like 方法，只需添加几十行代码即可实现显着改进。与同样设定下的基准相比，DN-DETR 实现了可比的性能，且仅需训练的 50％。

Mar, 2022

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

我们提出了一种名为 MTM 的两阶段框架，利用无监督领域自适应进行目标检测，其中包括遮蔽特征对齐的方法，该方法能够在预训练阶段防止性能波动并获得稳健的预训练模型，在自训练阶段提高模型的目标性能。

Oct, 2023