DETR (Detection Transformer)
DETR (Detection Transformer) er et end-to-end-framework til objektdetektion, introduceret af Carion et al. i 2020, som omformulerer detektion som et direkte sæt-forudsigelsesproblem ved hjælp af transformere. I modsætning til traditionelle tilgange, der anvender håndlavet efterbehandling som non-maximum suppression, behandler DETR objektdetektion som et sekvens-til-sekvens-problem, hvor transformeren forudsiger alle objekter på én gang.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/da/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.
- Maskerede AutoencodersDyb læring↔ compare
- Segment Anything ModelDyb læring↔ compare
- Swin TransformerDyb læring↔ compare
- Vision MambaDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →