【计算机视觉 | 目标检测】深入剖析Object Query：从DETR到Transformer的检测范式革新

1. 目标检测的困境与DETR的破局

传统目标检测方法就像在超市里找商品，得先记住所有货架的位置（Anchor预设），再逐个核对商品标签（特征匹配）。这种模式存在三个致命伤：第一，Anchor的尺寸和比例需要人工预设，遇到非常规物体就像在水果区找电器——根本对不上号；第二，后处理阶段需要非极大值抑制（NMS）来消除重复框，这个步骤既耗时又容易误删正确检测；第三，整个流程像流水线上的多个车间，特征提取、候选框生成、分类回归各自为政。

2015年我在做无人机目标检测时，就深受Anchor调参之苦。当时为了检测不同高度的建筑物，需要设置从10x10到500x500不等的Anchor，训练时GPU内存直接爆满。直到2020年DETR（Detection Transformer）横空出世，才让我们看到了端到端检测的曙光。

DETR的核心创新在于用Object Query这把万能钥匙，直接打开了目标检测的新范式。这组可学习的向量就像智能购物助手，不需要记住货架位置，就能根据你的描述（图像特征）自动找到所有商品。具体来说，每个Object Query都具备两项超能力：

• 空间感知：通过位置编码理解"靠近收银台的货架"这类空间关系
• 语义理解：通过注意力机制知道"蓝色包装的酸奶"指代什么

实测在COCO数据集上，DETR不仅省去了NMS步骤，对小目标的检测精度比Faster R-CNN提升了8%。这让我想起第一次用DETR检测航拍图像时，那些传统方法总是漏检的输电塔，现在都能被准确框出来了。

2. Object Query的运作机制揭秘

2.1 动态生成的检测指令集

Object Query不是拍脑袋决定的固定参数，而是模型自己学会的"检测语言"。初始化时，这100个（默认值）查询向量就像空白便签纸，经过训练后每张便签都发展出独特的语义：

python复制# DETR中Object Query的初始化
self.query_embed = nn.Embedding(num_queries, hidden_dim)
# num_queries通常是100，hidden_dim为256

在推理时，这些便签会经历三个阶段的进化：

1. 空间注册：通过正弦位置编码，让每个查询记住自己的"工位号"