论文链接：

https://arxiv.org/pdf/2207.13085.pdf
端到端的物体检测算法 DETR 不需要手工设计的后处理过程（例如：NMS），但是它需要较长的训练才能收敛。在这篇文章中，我们重新考虑了 DETR 收敛慢的问题，我们发现 DETR 中使用的一对一标签分配在一定程度上造成了这样的结果。
简单来说，一对一标签匹配使得 DETR 在训练过程中缺少监督信号（因为 positive object query 的数目较少），从而需要延长训练时间来达到较好的效果。实际上，一对多标签分配可以解决缺少监督信号的问题，使得网络收敛更快。但一对多标签分配需要借助 NMS 来去除重复的预测，这有悖于 DETR 系列的端到端这一优雅的设计。
为了解决这一问题，我们提出了  Group DETR。为 DETR 系列算法提供了一种新的标签分配策略： 分组一对多标签分配（Group-wise One-to-Many Assigment）。我们提出的算法巧妙地将“一对多分配”问题解耦成“多组的一对一分配”问题。在训练时，我们使用 K 组 query，每一组独立地进行一对一标签分配，这样总体上每个 ground truth 会和 K 个 query 匹配。
Group DETR 可以加快 DETR 系列算法的收敛，在保证支持 multiple positive query 的同时，去除冗余预测，实现端到端检测。我们在 DETR 的若干变体上进行实验，包括 Conditional DETR，DAB-DETR，DN-DETR，DINO，以及 Mask2Former， inference 时没有增加任何开销，但获得了显著的训练收敛加速和性能提升。