该文研究了Few-Shot Object Detection的元学习，提出了一种Meta-DETR框架，该框架利用关联聚合和DETR检测框架实现元学习，避免使用预测不准的区域建议，提升了知识泛化能力，在多个少样本目标检测基准测试中优于现有方法。

Mar, 2021

本文提出使用密集先验初始化对象容器的方法，利用Efficient DETR同时利用密集检测和稀疏集检测，实现只有3个编码器层和1个解码器层的端到端物体检测，提高了算法效率和性能。在 MS COCO 数据集上的实验证明了该算法在拥挤场景下仍能稳定工作，并取得最先进算法相近的成绩，且在CrowdHuman数据集上表现优异。

Apr, 2021

本文提出 Semantic-Aligned-Matching DETR++（SAM-DETR++）算法，通过在同一特征嵌入空间中投影对象查询和编码图像特征以便更容易地匹配具有类似语义的对象。此算法有效地融合了多尺度特征，加速了DETR的收敛速度并提高了检测精度，拥有成为现有DETR收敛解决方案完美补充的潜力。

Jul, 2022

本文针对量化后检测转换器（Q-DETR）信息失真问题提出分布矫正蒸馏方法（DRD），该方法可优化查询分布使熵最大化，在上层引入前景感知查询匹配策略最小化条件熵。实验表明，该方法在COCO数据集上，4-bit Q-DETR 可加速与ResNet-50骨干网一起使用的DETR，速度提高6.6倍，AP值达到39.4％，性能仅存在2.6％的差距。

Apr, 2023

本文提出了DETR-GA，一种基于DETR的交叉域弱监督目标检测方法，它同时进行实例级别和图像级别的预测，利用强监督和弱监督相互促进，利用注意力机制在整个图像上汇聚语义信息进行图像级别的预测以进行域对齐。

Apr, 2023

提出了一种改进的检测算法Align-DETR，通过引入一个新的指标来解决DETR算法的misalignment problem，该算法采用的IA-BCE损失函数可以有效训练定位精度与分类分数之间的关系，利用prime sample weighting机制抑制不重要样本的干扰，最终在COCO数据集上取得了50.2%的AP表现。

Apr, 2023

研究表明使用一个固定的超参数p不能达到最优的量化性能，因此提出了一种名为DetPTQ的框架，使用基于检测结果的适应性p值来选择最优量化参数。实验结果表明，DetPTQ在2D和3D物体检测器上都比现有技术更优秀。

Apr, 2023

使用DETR为基础的目标检测器，通过无监督预训练和利用大量未标记数据来提高检测器的性能，采用更丰富、基于语义的初始提议、基于聚类的物体伪标签的判别性训练以及自我训练等三个关键因素，显著提升了DETR在完整和低数据情况下的性能，并且证明能够在复杂图像数据集上从头开始预训练，直接实现无监督表示学习。

Jul, 2023

通过空间解耦DETR（SD-DETR）设计方案和任务感知查询生成模块，以及通过引入对齐损失的新颖设计，我们在MSCOCO数据集上展示了在目标检测任务中DETR性能的显著提升，例如我们将Conditional DETR的性能提高了4.5 AP。

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