本稿では、クエリベースのオブジェクト検出器が中間段階では正しく予測するものの、最終デコード段階で誤予測する現象に着目する。我々は学習プロセスを検証し、この見過ごされがちな現象の原因を2つの制限要因に帰属する：学習における重点の欠如およびデコード順序に起因する誤差の累積。そこで、クエリベースのオブジェクト検出器向けにシンプルかつ効果的な学習戦略である「選択的クエリ再収集（Selective Query Recollection: SQR）」を提案する。SQRは、デコード段階が深まるにつれて中間段階のクエリを累積的に収集し、順次構造に依存せずに、後続段階に選択的にこれらのクエリを伝達する。これにより、SQRは後段の学習に重点を置くことができるとともに、後段の段階が前段の中間クエリを直接利用できるようにする。SQRはさまざまなクエリベースのオブジェクト検出器に容易に統合可能であり、推論パイプラインを変更せずに性能を著しく向上させる。実験の結果、SQRをAdamixer、DAB-DETR、Deformable-DETRに、複数の設定（バックボーン、クエリ数、学習スケジュール）で適用したところ、一貫して1.4～2.8のAP向上を達成した。