(ACM MM 2025) Dome-DETR：用密度引导的小目标检测新范式

主要观点总结

该文章介绍了一篇关于Dome-DETR的论文，这是一种基于DETR的算法，用于高效的小目标检测。文章详细描述了Dome-DETR的创新点，包括密度引导特征与查询机制、Density-Focal Extractor (DeFE)、Masked Window Attention Sparsification (MWAS)和Progressive Adaptive Query Initialization (PAQI)。

关键观点总结

关键观点1: Dome-DETR的主要目标

文章提出了一种名为Dome-DETR的算法，旨在实现高效的小目标检测。

关键观点2: 创新点一：密度引导特征与查询机制

通过引入密度热图来优化特征利用与查询初始化，提高目标检测的准确性。

关键观点3: 创新点二：Density-Focal Extractor (DeFE)

从浅层特征中学习密度分布图，引导后续模块聚焦高密度区域，提高检测效率。

关键观点4: 创新点三：Masked Window Attention Sparsification (MWAS)

利用密度图在注意力阶段稀疏化窗口计算，只对前景区域进行高效注意力计算，显著降低计算量。

关键观点5: 创新点四：Progressive Adaptive Query Initialization (PAQI)

根据场景密度自适应调整查询数量与位置，动态控制IoU阈值，实现无人工调参的高效查询分配。

关键观点6: 实验结果

Dome-DETR在AI-TOD-V2和VisDrone数据集上取得了显著的提升，同时保持了较低的计算量。

关键观点7: 开源免费即插即用模块地址

提供了开源免费的即插即用模块地址，方便其他研究者使用或获取更多最新模块。