DETR：基于 Transformer 的端到端目标检测目标检测作为计算机视觉的核心任务之一，其核心目标是精准预测图像中感兴趣目标的边界框与类别标签。长期以来，主流检测方法（如 Faster R-CNN、SSD 等）均采用间接建模方式，通过锚点生成、候选区域提取等预处理步骤，将集合预测问题转化为大量候选框的分类与回归任务。这类方法存在固有缺陷：锚点设计依赖人工经验、非极大值抑制（NMS）等后处理步骤需要手动调优、候选框分配规则存在启发式偏见，这些因素导致检测 pipeline 复杂且泛化能力受限。