DQ-DETR: DETR with Dynamic Query for Tiny Object Detection

虽然之前类似DETR的方法在一般物体检测中表现良好，但对于微小物体检测仍然是一个具有挑战性的任务，因为对象查询的位置信息并非定制用于检测比一般物体规模小得多的微小物体。此外，使用固定数量的查询的DETR-like方法使它们不适用于只包含微小物体且不同图像之间实例数量不平衡的航空数据集。因此，我们提出了一个简单而有效的模型，名为DQ-DETR，它由三个不同的组件组成：分类计数模块、计数引导的特征增强和动态查询选择，以解决上述问题。DQ-DETR使用分类计数模块的预测和密度地图来动态调整对象查询的数量并提高查询的位置信息。我们的DQ-DETR模型优于之前的基于CNN和DETR的方法，在主要由微小物体组成的AI-TOD-V2数据集上实现了最先进的mAP 30.2%。

DQ-DETR试图解决的问题是在小物体检测中，DETR等方法的表现不佳，因为它们的查询位置信息不适用于检测小物体，而且使用固定数量的查询使它们不适用于包含小物体的航空数据集，而且不同图像之间实例的数量不平衡。

DQ-DETR由三个组件组成：分类计数模块、计数引导特征增强和动态查询选择，它们使用分类计数模块的预测和密度图来动态调整物体查询的数量并改进查询的位置信息。

DQ-DETR在AI-TOD-V2数据集上实现了30.2％的最新mAP，这个数据集主要包含小物体。实验结果表明，DQ-DETR优于以前的CNN和DETR方法。论文还开源了代码。

最近的相关研究包括：DETR，YOLACT，FCOS，CornerNet。