Gaze-DETR 解读：用优先级图把红外弱小无人机的「先看哪里」显式建模 (2026)

Gaze-DETR 的核心改变：把「定位前看哪里」单独建模

Gaze-DETR 针对红外弱小无人机检测补上了 DETR 类方法里一个容易被忽略的环节：边界框告诉模型目标最终在哪里，却没有明确告诉模型，在完成定位之前应该优先检查哪些候选区域。论文让网络先预测一张空间 priority map，再用这张图同时调制多尺度特征和初始化 decoder query。这个设计带来的收益主要表现为更高的精度和 F1，而不是单纯提高召回率；代价是推理速度从 25.80 FPS 降到约 21 FPS。1 2

论文题目为「Gaze-DETR: Top-Down Guidance Through Priority Maps for Infrared Weak-Small UAV Detection with DETR」，提交于 2026 年 7 月 21 日，是一篇 arXiv 预印本。作者包括 Nian Liu、Yuxin Yang、Shubo Lin、Sikui Zhang、Liang Li、Boyu Cai、Yizheng Wang、Weiming Hu 和 Jin Gao；通讯作者为 Jin Gao，来自中国科学院自动化研究所多模态人工智能系统国家重点实验室。1 2

边界框监督缺少哪一步

远距离 UAV 在热红外图像里往往只剩很少像素，低对比度、杂波、遮挡和目标暂时消失会让真正的目标响应弱于背景中的亮斑。现有 DETR 检测器仍然主要靠分类和框回归损失学习候选选择：训练信号直接约束最终框，但候选区域之间的相对优先级只能从最终损失中间接形成。Gaze-DETR 的问题设定很具体：能不能增加一个密集的空间信号，让模型在「定位」之前先知道哪里更值得搜索？2

这里的 priority map 不是目标存在概率图。它被归一化到 64×64 网格，整张图的数值和为 1；某个位置数值更大，只表示它在当前搜索任务中的相对优先级更高。这样一来，图像中的强杂波可以很显眼，却不一定拥有高 priority；一个低对比度 UAV 也可以因为与搜索任务相关而得到更高权重。2

一张图如何穿过三个环节

Gaze-DETR 建在 DINO-DETR 上，保留原有的多尺度 backbone、encoder、decoder、去噪训练和匈牙利匹配。新增部分可以按「预测、调制、注入」理解。

Priority head 预测空间分布。 最高分辨率的投影特征先经过 3×3 卷积、GroupNorm、ReLU 和 1×1 卷积，输出 priority logits，再双线性缩放到 64×64，最后用 spatial softmax 得到归一化 priority map。训练时，priority loss 由 KL divergence 和 histogram-intersection similarity 组成，分别约束分布差异和两张图共享的概率质量。2
RPFM 调制多尺度特征。 Residual Priority-Guided Feature Modulation 会把 priority map 缩放到每个特征层，与特征逐点相乘后以残差形式加回原特征。调制系数从 0 初始化，因此训练开始时等价于原始 DINO 特征；训练过程中模型再逐渐学会让高优先级区域产生更强的特征变化。它不做硬掩码，不会直接丢掉低优先级位置的上下文。2
PAQI 改变 query 初始化。 Priority-Guided Anchor Query Injection 从 priority map 中挑选空间上分离的峰值，再结合弱小目标尺寸先验生成额外 anchor queries。主配置保留原有 900 个 DINO query，最多增加 6 个 priority-guided query；PAQI 在 4 个 epoch 的 warm-up 后启用，并用两个空间峰值和三个训练集尺寸先验构造候选。2

因此，priority supervision 并非只是在总损失里多加一项。priority loss 先训练出空间表示，RPFM 把它送进 feature processing，PAQI 再把它送进 decoder 的候选初始化。三者对应的是同一信号在不同阶段的使用方式。

三种监督来源，回答的是不同的标注预算问题

Gaze-DETR 的网络结构不随监督来源改变，改变的只是训练用的 priority-supervision map。

Box-derived Gaussian：直接从训练框中心生成大小自适应的各向异性 Gaussian，不需要眼动标注，是最低成本方案。
Real gaze：把任务驱动眼动得到的 fixation-density map 变换、缩放并归一化，用来描述人搜索弱小 UAV 时把注意力分配到哪里。它不替代边界框，边界框仍负责最终定位。
Transferred pseudo-gaze：TIR-UAV120-Gaze 同时有框和 gaze，论文先按目标尺寸统计 gaze 相对框中心的偏移与可靠性，再把这组统计关系转移到没有真实 gaze 的 Anti-UAV410 训练框上，并在视频内做时间平滑。推理阶段三种方案都只输入红外图像，既不读取 gaze，也不读取 priority-supervision map。2

Gaze-DETR 的 priority supervision、RPFM 与 PAQI 的实验增益对比 — 图 1：论文对不同 priority-supervision 设置的增益比较。2

实验收益主要来自精度端

TIR-UAV120-Gaze 是论文新构建的热红外眼动数据集，包含 120 段视频、30,362 帧，分辨率为 640×480；按视频划分后，90 段视频的 20,635 帧用于训练，30 段视频的 9,727 帧用于测试。测试集中 91.36% 的有目标帧，其目标框面积小于 400 px²。Anti-UAV410 沿用官方 200/90/120 训练、验证、测试序列划分。2

论文统一报告 mAP50、P、R 和 F1。下面的数字都来自 DINO-DETR 及其 Gaze-DETR 变体的同协议比较：2

数据集与设置	mAP50	P	R	F1
TIR-UAV120-Gaze：DINO-DETR	84.34	88.19	85.65	86.90
TIR-UAV120-Gaze：box-derived	85.76	94.12	84.00	88.77
TIR-UAV120-Gaze：real-gaze	86.18	94.64	84.00	89.00
Anti-UAV410：DINO-DETR	83.37	93.72	79.00	85.73
Anti-UAV410：box-derived	87.06	96.38	86.00	90.90
Anti-UAV410：transferred pseudo-gaze	87.08	98.32	83.71	90.43

最值得注意的不是「所有数字都一起上升」，而是收益的组成。在 TIR-UAV120-Gaze 上，real-gaze 把 mAP50 从 84.34 提到 86.18，F1 从 86.90 提到 89.00，但召回从 85.65 降到 84.00，精度从 88.19 升到 94.64。也就是说，主要变化是减少错误候选，而不是让模型覆盖更多目标。

监督来源也没有普遍的胜负关系。Anti-UAV410 上，pseudo-gaze 的 mAP50 仅比 box-derived 高 0.02，但 F1 低 0.47；box-derived 的召回和 F1 更高。论文的属性级分析也显示，real-gaze 在遮挡子集上的 mAP50 增益为 1.94 个百分点，box-derived 为 1.00 个百分点；在相机运动和干扰物子集上，real-gaze 的提升却很小。gaze 提供的是任务相关空间信息，不是对所有场景都更好的替代监督。2

消融说明了三部分各自做了什么

在 TIR-UAV120-Gaze 的 real-gaze 设置下，只加入 priority loss，mAP50 比 DINO-DETR 增加 0.91，F1 增加 1.50；再加入 RPFM，增益变为 1.44 和 1.84；再加入 PAQI，完整模型达到 86.18 mAP50 和 89.00 F1。box-derived 设置也呈现相同的递进关系。这个结果把「额外监督有效」和「额外模块有效」区分开了：提升并不只来自多一个 loss，也不只来自多几个 query。2

代价同样明确。相对 DINO-DETR，完整 Gaze-DETR 增加约 4.84–5.04 GFLOPs 和 0.60–0.61M 参数，FPS 从 25.80 降为 21.01–21.48。PAQI 目前依赖固定的弱小目标尺寸先验，峰值选择也不可微；当 priority 分布较为弥散，或者测试目标尺度偏离训练先验时，这两个设计可能限制泛化。论文还指出，priority map 只是相对空间排序，在无目标帧上并不等于「没有高优先级区域」，最终仍要依靠检测分类器把 query 判为 no-object。2

代码与数据可用性

论文摘要页给出了官方 Gaze-DETR 代码仓库。仓库页面当前可见为公开仓库，显示 MIT license 和 1 次提交；但页面抓取时 README 内容未能正常展开，也没有在本轮证据中确认已发布权重、训练命令或 TIR-UAV120-Gaze 下载入口。因此，代码入口是明确的，数据集和 checkpoint 的可直接获取性仍需研究者进入仓库核对。1 3

结论：低成本监督已经能拿到大部分方法收益

Gaze-DETR 真正改写的是候选排序的学习方式：它把边界框负责的最终定位，与 priority map 负责的前置搜索分开，再把同一张预测图接到特征调制和 query 初始化两个位置。论文的消融支持这条机制链条。

但「gaze」本身不是论文最稳的结论。box-derived 监督不需要眼动数据，在 Anti-UAV410 上反而拿到更高 F1；real-gaze 的优势更集中在 TIR-UAV120-Gaze 和遮挡等部分条件。对复现者而言，第一步更适合从 box-derived priority head + RPFM + PAQI 开始，先检验显式优先级是否能稳定减少误报，再判断真实 gaze 标注是否值得投入。2

Gaze-DETR 解读：用优先级图把红外弱小无人机的「先看哪里」显式建模