摘要

在深度学习的广阔领域中，目标检测作为计算机视觉的基石任务之一，始终吸引着研究者的广泛关注。近期，我们大胆尝试将前沿的PoolFormer主干网络引入经典的目标检测框架RT-DETR中，这一创新性融合不仅为RT-DETR注入了新的活力，更在检测精度与效率上实现了双重飞跃，成为目标检测领域的一股强劲新风。

PoolFormer：轻量高效的新星

PoolFormer，作为MetaFormer家族的一员，以其独特的池化注意力机制脱颖而出。该机制巧妙地将池化操作与注意力机制相结合，既保留了Transformer的强大全局建模能力，又通过池化减少了计算复杂度和内存消耗，实现了计算效率与性能的完美平衡。这一特性使得PoolFormer成为处理大规模视觉数据时的理想选择。

融合之美：PoolFormer+RT-DETR

本次研究中，我们创新性地将PoolFormer作为主干网络引入RT-DETR，通过替换原有的主干结构，实现了对图像特征的高效提取与表征。PoolFormer的池化注意力机制使得模型在捕获图像全局信息的同时，能够更好地处理局部细节，从而提升了检测精度。此外，得益于PoolFormer的轻量高效特性，改进后的RT-DETR在保持原有实时检测速度的基础上，进一步降低了计算成本和内存占用