DINO：DETR 的高效变体

论文

DINO（DETR with Improved deNoising anchor boxes）是一种基于 DETR 的目标检测模型，通过多种创新方法显著提升了训练效率和检测性能。

DINO 的核心改进包括对比去噪训练（Contrastive DeNoising Training）、混合查询选择（Mixed Query Selection）和两次前瞻（Look Forward Twice）。这些方法共同加速了模型的收敛速度，并提高了检测精度。

对比去噪训练通过引入正负样本查询，解决了 DETR 中的噪声问题。正样本查询靠近真实目标框（GT box），而负样本查询则远离目标框。通过这种方式，模型能够更好地区分目标和背景，从而减少重复预测和误分类的问题。

混合查询选择策略结合了静态查询和动态查询的优点。它通过选择编码器特征来初始化解码器的位置查询，同时保持内容查询的可学习性。这种方法能够更好地利用编码器的特征信息，从而提高解码器的性能。

两次前瞻方法通过利用后一层的改进信息来优化前一层的预测结果。与传统的单次前瞻方法相比，这种方法能够更有效地利用层间的梯度信息，从而提高预测的准确性。