4实验
表1
表1给出了DETR和条件DETR的结果。具有50个训练期的DETR比500个训练期的表现差得多。
对于R50和R101具有50个训练周期的条件DETR作为backbone，其表现略低于具有500个训练周期的DETR。
对于DC5-R50和DC5-R101，带有50个训练周期的条件DETR的性能与带有500个训练周期的DETR相似。
4个backbone 75/108个训练周期的条件DETR优于500个训练周期的DETR。
总之，高分辨率backbone DC5-R50和DC5-R101的有条件DETR比原始的DETR快10倍，低分辨率backbone R50和R101快6.67倍。换句话说，有条件的DETR对于更强大的backbone和更好的性能表现得更好。
表2
表2中显示，在DC5-R50(16×)上的方法与可变形的方法表现相同DETR-R50(多尺度、8×)。考虑到单尺度可变形DETR-DC5-R50-SS的AP为41.5(低于43.8)(表1)，可以看到，可变形的DETR受益于多尺度和高分辨率编码器。
本文方法的性能也与TSP-FCOS TSP-RCNN。这2种方法包含一个在少量选定位置/区域上的transformer编码器(在TSP-FCOS和TSP-RCNN区域提议中感兴趣的特性)，而不使用transformer解码器是FCOS和Faster RCNN的扩展。
5参考
[1].Conditional DETR for Fast Training Convergence
