03 动态Query初始化：让RT-DETR不再“漏掉”小目标开篇故事上个月，我一个做自动驾驶的朋友找到我，说他用RT-DETR做行人检测，大目标检测得贼准，mAP都干到55了，但一遇到30米开外的行人——就是那种在图像里只有几十个像素的小人——模型直接“失明”。他试了调大输入分辨率、堆FPN层数、加注意力头数，结果要么推理速度掉一半，要么小目标召回率只涨了0.3个点。他问我：“你说RT-DETR不是号称端到端检测器里的性能怪兽吗？怎么小目标这么拉胯？”我让他把Decoder的Query可视化出来，一看就明白了——他用的还是那套经典的静态Query：300个可学习向量，从0初始化，靠交叉注意力慢慢“找”物体。这种设计对大物体还行，因为大物体在特征图上占的面积大，Query稍微偏一点也能“摸”到。但小目标呢？特征图上可能就1~2个像素点，Query要是初始位置不对，交叉注意力根本算不出有效响应。这就像你在黑夜里用手电筒找一只蚂蚁——手电筒的光束再亮，照错方向也是白搭。痛点拆解：静态Query的“盲区”很多人以为Decoder的Query就是“让模型自己去学怎么定位物体”，于是直接拿nn.Embedding(300, 256)初始化，然后扔进Transformer Decoder里训练。这种做法的最大问题是：Query在空间上是无差异的。看一个常见的错误实现：