En raison de la non-nécessité de concevoir des composants humains complexes et de simplifier le processus de détection, la méthode de détection d'extrémité en extrémité a suscité un grand intérêt ces dernières années. Cependant, par rapport aux détecteurs traditionnels, ces méthodes présentent des problèmes de lenteur de convergence de l'apprentissage et de performances de détection insuffisantes, en raison de la limitation de l'algorithme par des signaux de supervision positifs insuffisants lors de la fusion et de la sélection des caractéristiques. Pour remédier à ce problème, cet article propose un codeur de sélection de requêtes (QSE) pour les détecteurs d'extrémité en extrémité, capable d'améliorer la vitesse de convergence de l'apprentissage et la précision de la détection. Le QSE est composé de plusieurs couches de codeur, et après chaque couche de codeur, un réseau léger est ajouté pour optimiser séquentiellement les caractéristiques et fournir une supervision positive plus complète pour un apprentissage efficace. De plus, dans chaque couche de codeur, un mécanisme d'attention hiérarchique aux caractéristiques (HFA) est introduit, comprenant une attention intra-couche et inter-couche aux caractéristiques, pour renforcer l'interaction et la fusion des caractéristiques de différents niveaux. HFA peut efficacement supprimer les représentations de caractéristiques similaires et renforcer les représentations de caractéristiques discriminatives, accélérant ainsi le processus de sélection de caractéristiques. Cette méthode peut être appliquée de manière flexible aux détecteurs basés sur les réseaux de neurones convolutifs et aux détecteurs basés sur les transformateurs ; de nombreuses expériences sur de grands ensembles de données de référence pour la détection d'objets MS COCO, CrowdHuman et PASCAL VOC montrent que les détecteurs basés sur les réseaux de neurones convolutifs ou sur les transformateurs, utilisant QSE, peuvent obtenir de meilleures performances de détection d'extrémité à extrémité en moins de cycles d'apprentissage.

End-to-end object detection;Query-selection encoder;Hierarchical feature-aware attention