导读

目标检测算法是CV领域非常重要的算法，去年二阶段DEYO的发布，提出了很多的创新点，而本文端到端的

论文链接：https://arxiv.org/pdf/2306.09165.pdf

本文提出了一种称为DEYOv2的新型目标检测器，这是第一版DEYO（DETR with YOLO）模型的改进版本。与前代类似，DEYOv2采用渐进式推理方法来加速模型训练并提高性能。该研究深入探讨了一对一匹配在优化中的局限性，并提出了有效解决该问题的解决方案，如秩特征和贪婪匹配。

这种方法使DEYOv2的第三阶段能够最大限度地从第一和第二阶段获取信息，而无需NMS，实现端到端优化。通过组合密集查询、稀疏查询、一对多匹配和一对一匹配，DEYOv2充分利用了每种方法的优势。在相同设置下，它的性能优于所有现有的基于查询的端到端检测器。

当在COCO数据集上使用ResNet-50作为Backbone和多尺度特征时，DEYOv2在12个和24个Epoch分别实现了51.1AP和51.8AP。与端到端模型DINO相比，DEYOv2在两个Epoch设置中提供了2.1 AP和1.4 AP的显著性能提升。

据所知，DEYOv2是第一个完全端到端的目标检测器，它结合了经典检测器和基于查询的检测器的各自优势。

 

1、简介

识别图像中的感兴趣区域并用边界框和类标签对其进行标记是计算机视觉中的一项关键任务，即目标检测。这项任务有许多应用，并且随着深度学习的发