DETR方法是一种使用了Transformer的端到端的目标检测方法，也是经典目标检测算法之一，本文将用最少的话，介绍DETR算法的大致思想。之前的方法或多或少的都不要添加一下额外的步骤，进行人为干预，即使是号称端到端的YOLO系列算法，也是会生成大量冗余的框，然后需要最后加上进行非极大值抑制的步骤。

DETR算法的大致步骤如下所示：

 简而言之：首先通过CNN网络提取输出图像特征，然后将特征图展平输入到transformer中进行encoder和decoder，这里transformer通过注意力机制就能够学习到图像的全局特征，。然后输出固定个数的预测框，比如100个，（输出预测框的个数是一个超参数）。将100个输出的预测框和ground truth进行匹配（这里是使用二分图匹配方法，下面再介绍），得到最匹配的n个预测框（n是ground truth的个数），然后在匹配的框中计算检测目标的loss和进行边框的回归。

上述是训练过程，预测过程前面都一样，假设生成的预测框的个数是100个，后面生成100个预测框之后，直接对置信度设置阈值，置信度大于阈值的框作为前景被留下来，剩下的作为背景

更加详细的整体框架图：

那什么是二分图匹配法呢：

首先要了解什么是二分图问题：

举个例子，x,y,z三个工人，执行a,b,c三个任务，三个工人每个都有自己最擅长的部分，这里二分图问题就是解决给工人分配任务，解决任务的效率最高

 上图是根据工人执行任务案例绘制的一个矩阵，这个矩阵叫做损失矩阵，损失矩阵中的值就是损失，比如工人执行具体任务花费的时间。目前有匈牙利算法能够解决这个问题，在scipy这个库中提供了linear_sum_assignment函数来解决这个问题

上述100个预测框和2个ground truth之间匹配的问题，也可以看做是二分图问题，

a，b，c...就可以看做是100个预测框，x，y就可以看做是ground truth

DETR论文中的匹配问题就是通过直接调用匈牙利算法来解决的，匈牙利算法的细节就不介绍了，因为我也不懂，反正这也不是关键的，关键就是了解上述DTER算法的思想。

上述是对DETR算法的简要介绍，主要是介绍算法的框架结构和大致思想，想要深入学习DTER的朋友，建议去看原论文，上述内容如果对您有所帮助，麻烦给我点个赞，谢谢