简单来说：
DETR通过将目标检测重新定义为set prediction问题，引入了稀疏的object queries进行预测。该方法利用二分图匹配进行标签分配，确保每个目标仅由一个query负责预测，有效减少了传统目标检测中常见的重复检测（duplicates）问题。
DETR无需依赖非极大值抑制（NMS）等后处理手段。从原始论文的实验中可以观察到，随着解码器层数的增加，NMS对模型性能的正面影响逐渐减弱，进一步证明了DETR在简化目标检测流程方面的有效性。
具体的我们来看看DETR的结构。
1.模型结构
上图为DETR结构图，主要分为encoder-decoder，具体来说：
-
Encoder：在计算机视觉任务中，如目标检测，我们通常从一张尺寸为(C, H, W)的原始图片开始。首先，使用一个强大的特征提取器，比如resnet50，来处理这张图片并输出特征图。为了增强模型对位置信息的敏感性，会在这些特征图上添加二维位置编码，这种编码可以是固定的（例如基于三角函数的编码）或可学习的。接着，通过一些额外的卷积神经网络（CNN）处理，得到最终的特征图，其尺寸变为(hidden_dim, H_, W_)。最后，将这个特征图展平，形成H_ * W_个尺寸为(1, hidden_dim)的向量，这些向量作为encoder的输入，被统一称为token。这整个过程是构建高效目标检测模型的关键步骤，特别是在DETR框架中，它避免了传统方法中需要的非极大值抑制（NMS）等后处理操作，大大简化了目标检测流程。
-
Decoder：在传统的卷积神经网络（CNN）目标检测模型中，由于缺乏精细化的预测控制，一个目标对象往往会被多个重叠的检测框标记，这就不得不采用像非极大值抑制（NMS）这样的后处理步骤来移除多余的检测框。然而，DETR模型的设计理念是实现一个端到端的目标检测流程，其理想状态是每个对象只被一个检测框标识，从而免除任何形式的后处理。
-
object query：为实现Decoder目标，DETR引入了“object query”的概念。基于实际场景中一张图片所包含的目标数量是有限的假设，例如最多有n个，DETR便设置相同数量的object queries（在DETR的实际应用中，这个数值通常设为100）。在模型操作中，每一个object query会学习与其唯一对应的真实目标检测框及其类别。那些未与特定目标对应的额外object queries则被视作背景。这种设计大大简化了目标检测的流程，并减少了对后处理技术的依赖，使得DETR成为一个高效且简化的端到端目标检测框架。
2. 总结
DETR（Detection Transformer）是一种革命性的目标检测模型，它通过将目标检测任务重新定义为一个直接的set prediction问题，显著地简化了传统目标检测流程。在DETR中，引入了稀疏的object queries和位置编码来改善特征表示，并采用变压器（Transformer）结构来直接预测固定数量的目标及其属性，避免了传统目标检测中普遍存在的重复检测问题。这种方法的核心优势在于每个目标仅由一个检测框表示，理论上不需要任何后处理操作如非极大值抑制（NMS）。
