:是图像分割出的N个patch embedding，尺寸维度
。（该步即是将图像分割为N个patch）
E：是线性映射矩阵，维度为；上面的
右乘线性矩阵E，就将
都固定成D维向量。（该步即是将每个patch embedding线性映射到固定维度）
:是Learnable embedding，也是一个D维向量，它和
concat就得到了(1+N)×D维矩阵。（该步是加上一个可学习的embedding表示全局图像信息）
:是(1+N)个D维position embedding，position embedding相加上面的结果，即得到了encoder的原始输入
。（该步是给embedding加上位置信息）
DETR 对目标和全局图像背景的关系作出推理，从而直接并行输出最终的预测集
Encoder最后得到的结果是对N个物体编码后的特征
DETR Decoder的结构也与Transformer类似，每个Decoder有两个输入：一个是Object Query（或者是上一个Decoder的输出），另一个是Encoder的结果，区别在于这里是并行解码N个object。与原始的transformer不同的地方在于decoder每一层都输出结果，计算loss。另外一个与Transformer不同的地方是，DETR的Decoder和encoder一样也加入了可学习的positional embedding，其功能类似于anchor。最后一个Decoder后面接了两个FFN，分别预测检测框及其类别。
