DETR (Detection Transformer)
DETR (Detection Transformer) je end-to-end rámec pro detekci objektů představený Carionem et al. v roce 2020, který přeformulovává detekci jako přímý problém predikce množin s využitím transformerů. Na rozdíl od tradičních přístupů, které používají ručně navržené post-processingové kroky, jako je nelokalistické potlačení (non-maximum suppression), DETR považuje detekci objektů za problém sekvence-na-sekvenci, kde transformer predikuje všechny objekty najednou.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/cs/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.
- Maskované autoenkodéryHluboké učení↔ compare
- Segment Anything ModelHluboké učení↔ compare
- Swin TransformerHluboké učení↔ compare
- Vision MambaHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →