DETR (Detection Transformer)
DETR (Detection Transformer) és un marc de treball de principi a fi per a la detecció d'objectes introduït per Carion et al. el 2020, que reformula la detecció com un problema de predicció de conjunts directe utilitzant transformers. A diferència dels enfocaments tradicionals que utilitzen postprocessament dissenyat manualment com la supressió no màxima, DETR tracta la detecció d'objectes com un problema seqüencial a seqüencial on el transformer prediu tots els objectes alhora.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/ca/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.
- Autoencoders emmascaratsAprenentatge profund↔ compare
- Model de Segmentació de TotAprenentatge profund↔ compare
- Swin TransformerAprenentatge profund↔ compare
- Vision MambaAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →