DETR如何将Transformer引入目标检测
DETR（Detection Transformer）是目标检测领域的重要里程碑。请解释DETR的核心思想，包括Transformer结构、匈牙利匹配和查询机制，以及与经典检测器的区别。
回答
我还是少年
DETR（Detection TRansformer）由Facebook AI于2020年提出，首次将Transformer架构端到端地应用于目标检测，彻底摒弃了锚框（Anchor）和NMS后处理。
核心思想： 将目标检测视为一个集合预测问题（Set Prediction），通过Transformer编码器-解码器直接从图像输出一组预测框。
关键组件：
- CNN骨干网络（ResNet-50/101）：提取图像特征图。
- Transformer编码器：将展平后的特征加上位置编码，通过自注意力捕捉全局上下文关系。
- Transformer解码器：输入N个可学习的Object Queries（通常N=100），通过交叉注意力从编码器特征中查询目标信息，输出N个预测。
- 预测头：每个Query输出分类logits和边界框坐标。
匈牙利匹配（Hungarian Matching）： 训练时，使用匈牙利算法在N个预测和真实框之间找到最优的一一匹配，计算匹配损失（分类损失+边界框损失），实现端到端训练。
与经典检测器的区别：
- 无需预定义锚框，无需NMS后处理。
- 自注意力机制天然建模了目标间的全局关系。
- 对小目标检测效果较差，训练收敛速度较慢（后续Deformable DETR改进）。