複雑な人工部品の設計が不要であり、検出プロセスが簡素化されたため、エンドツーエンドの目標検出手法が近年広く注目されています。しかし、従来の検出器と比較して、この種の手法にはトレーニングの収束速度が遅い、検出性能が不足しているという問題点があります。その原因は、特徴の統合と選択の過程で、アルゴリズムが正例の監督信号の不足に制約されていることです。この問題に対処するために、本論文では、エンドツーエンドの目標検出器に対するクエリ選択エンコーダ（QSE）を提案し、トレーニングの収束速度と検出精度を向上させることができます。QSEは複数のエンコーダ層で構成されており、各エンコーダ層の後に軽量ネットワークが追加され、特徴を持続的に最適化し、効率的なトレーニングを提供するためにより十分な正例監督を提供します。さらに、各エンコーダ層には、階層特徴感知注意力（HFA）メカニズムが導入されており、層内および層間の特徴に対する注意力を高めることで相互の統合を強化します。HFAは類似した特徴表現を効果的に抑制し、判別的な特徴を強化するため、特徴の選択プロセスを加速します。この手法は、畳み込みニューラルネットワークおよびTransformerに基づく検出器に柔軟に適用できます。主要なエンドツーエンド検出ベンチマークデータセットMS COCO、CrowdHuman、PASCAL VOCを使用した多くの実験により、クエリ選択エンコーダを使用する畳み込みニューラルネットワークまたはTransformerに基づく検出器は、より少ないトレーニングサイクルでより優れたエンドツーエンドの検出性能を提供できます。

エンドツーエンドの目標検出;クエリ選択エンコーダ;階層特徴感知注意力