Cross-Attentionレイヤーを物体のクラス分類(cls)とバウンディングボックスの回帰(reg)で分岐させて個別に推定し、また物体クエリを強化するためFCOSをベースとした「ミニ検出器」を内部に組み込みTransformerのDecoderに入力させるDESTRを提案した。

バックボーンにResNet-50とResNet-101を使用し、COCOデータセットで評価を行い、オリジナルのDETRやICCV 2021採択のConditional DETRを上回る結果。

DETRの課題を整理した上で新たなネットワーク構造を提案し、検出性能の向上を示したため通ったと考えられる。