计算机工程

作者：李沂杨, 陆声链, 王继杰, 陈明

单位：1. 广西师范大学计算机科学与工程学院广西多源信息挖掘与安全重点实验室, 广西 桂林 5410042. 广西师范大学教务处, 广西 桂林 541004

关键词：计算机视觉,目标检测,DETR算法,视觉Transformer,图像分割

基金：国家自然科学基金(61662006); 广西多源信息挖掘与安全重点实验室主任基金(20-A-02-02)

在目标检测领域, 卷积神经网络(CNN)凭借其优异的准确性和可扩展性, 长期主导着相关研究, 并获得了学术界的广泛认可。在此框架下, 先后涌现出基于区域的卷积神经网络(R-CNN)系列(如Fast R-CNN、Faster R-CNN)与YOLO(You Only Look Once)系列等多个代表性模型。随着Transformer在自然语言处理领域的成功, 研究者开始探索将其用于计算机视觉领域, 由此产生了视觉Transformer(ViT)和Swin Transformer等视觉骨干网络。Facebook团队为减少目标检测任务中的先验知识和后处理, 在2020年推出了一种端到端目标检测算法——基于Transformer的DETR(DEtection TRansformer)。尽管DETR在目标检测领域展现出潜力, 但也存在收敛速度慢、准确性较差、目标查询的物理意义不明确等缺点。这促使研究者对该算法开展了进一步的研究和改进。本研究旨在归纳总结针对DETR的改进探索, 并分析它们的优势与不足, 同时对利用DETR开展的前沿研究和细分应用领域进行概括, 最后给出DETR在计算机视觉领域的未来展望。

来源：2026年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第4期