DETR (Detection Transformer)
DETR (Detection Transformer) е цялостна рамка за детекция на обекти, представена от Carion et al. през 2020 г., която преформулира детекцията като директен проблем за предсказване на множества, използвайки трансформъри. За разлика от традиционните подходи, които използват ръчно изработени пост-процеси като не-максимално потискане, DETR третира детекцията на обекти като проблем от тип последователност към последователност, където трансформърът предсказва всички обекти наведнъж.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., & Zagoruyko, S. (2020). End-to-end object detection with transformers. In European Conference on Computer Vision (pp. 213-229). Springer, Cham. DOI: 10.1007/978-3-030-58452-8_13 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/bg/deep-learning/detr
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Маскирани автоенкодериДълбоко обучение↔ compare
- Модел за сегментиране на всичкоДълбоко обучение↔ compare
- Swin TransformerДълбоко обучение↔ compare
- Vision MambaДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →