目标检测中定位与分类任务的复杂耦合关系，推动了相关方法的蓬勃发展。以往研究虽致力于提升各类目标检测头的性能，却未能提供一个统一的视角。本文提出一种新颖的动态检测头框架，通过引入注意力机制，实现对各类检测头的统一建模。该方法通过协同整合多层次特征间的自注意力机制以实现尺度感知（scale-awareness），空间位置间的自注意力机制以实现空间感知（spatial-awareness），以及输出通道内部的自注意力机制以实现任务感知（task-awareness），在不引入任何计算开销的前提下，显著增强了检测头的表征能力。大量实验验证了所提动态检测头在COCO基准上的有效性与高效性。采用标准的ResNeXt-101-DCN骨干网络，本方法在多个主流检测器上实现了显著性能提升，并达到54.0 AP的新纪录。进一步结合最新的Transformer骨干网络及额外训练数据，可将当前COCO最佳结果提升至60.6 AP，创下新纪录。代码将开源，地址为：https://github.com/microsoft/DynamicHead。