从DETR到TransVOD：Transformer目标检测的技术跃迁与实战指南

当静态图像中的目标检测技术逐渐成熟，计算机视觉领域正将目光转向更具挑战性的视频目标检测（Video Object Detection）。传统方法依赖光流估计或递归神经网络处理时序信息，而Transformer架构的引入彻底改变了这一技术范式。本文将带您深入探索从DETR到TransVOD的技术演进路径，解析时空Transformer如何实现端到端的视频目标检测，并通过SJTU-LuHe/TransVOD项目揭示最新实践方案。

1. Transformer目标检测的技术演进图谱

1.1 DETR：端到端检测的范式革命

2020年Facebook提出的DETR（Detection Transformer）首次将Transformer架构引入目标检测领域，其核心突破在于：

• 完全端到端架构：摒弃了传统检测器中人工设计的锚框(anchor)和非极大值抑制(NMS)组件
• 基于集合的预测：使用匈牙利算法直接匹配预测框与真实标注
• 全局上下文建模：通过自注意力机制捕获图像中所有位置的关系

python复制# DETR基础结构伪代码
class DETR(nn.Module):
    def __init__(self):
        self.backbone = ResNet50()  # 特征提取
        self.transformer = Transformer(d_model=512)  # Transformer编码器-解码器
        self.bbox_head = MLP(512, 4)  # 边界框预测
        self.class_head = Linear(512, num_classes)  # 类别预测

提示：DETR虽然创新性强，但存在训练收敛慢、小目标检测效果欠佳等问题，这为后续改进埋下伏笔。

1.2 Deformable DETR：效率与精度的平衡术

针对DETR的局限性，Deformable DETR引入了几项关键改进：

| 改进点 | DETR | Deformable DETR |
|------