摘要

我们提出 DINO（DETR with Improved deNoising anchOr boxes），一种当前最先进的端到端目标检测器。DINO 通过采用对比式去噪训练策略、混合查询选择方法进行锚框初始化，以及两次前瞻预测机制，显著提升了以往类似 DETR 模型在性能与效率方面的表现。在使用 ResNet-50 主干网络和多尺度特征的情况下，DINO 在 COCO 数据集上仅用 12 个训练周期即达到 49.4 AP，24 个周期时进一步提升至 51.3 AP，相较于此前表现最佳的 DETR 类模型 DN-DETR，分别实现了 +6.0 AP 和 +2.7 AP 的显著提升。DINO 在模型规模和数据规模上均表现出良好的可扩展性。在不依赖额外技巧的前提下，仅在 Objects365 数据集上使用 Swin-L 主干网络进行预训练后，DINO 在 COCO 的 \texttt{val2017}（63.2 AP）和 \texttt{test-dev}（63.3 AP）两个测试集上均取得了当前最优结果。与排行榜上的其他模型相比，DINO 在获得更优性能的同时，大幅减少了模型参数量和预训练数据规模。我们的代码将公开于 \url{https://github.com/IDEACVR/DINO}。