很多这些论文都是受到DETR的启发得到的。DETR为数不多的目标检测里端到端的模型，它把目标检测看作集合预测问题，不需要人为一些先验和调参，没有了NMS，让模型训练和部署变得容易。
简单描述一下它训练过程就是图片经过CNN得到的特征和位置编码(给定的)相加放入到Transformer进行编码。学习全局的特征，encoder中有6个transformer block进行编码，编码得到的特征进入到decoder中。object queries是可学习的变量。object queries与得到的特征进行cross attention(特征作为key,value，object queries作为queries)，object queries也会进行self attention（以保证object queries之间相互通信，知道其他object得到的框是什么，避免冗余框）得到新的object queries。新的object queries进入FFN预测类别和box相关的参数。使用匈牙利算法选择合适的框输出。测试的时候设定置信度阈值。
DETR中使用了深监督（深监督）
DETR：对小目标检测不友好，后面分割也是改进让他有多尺度特征，能够有更好的性能。