DETR (Detection Transformer)
DETR (Detection Transformer) ist ein End-to-End-Framework für die Objekterkennung, das 2020 von Carion et al. eingeführt wurde und die Erkennung als direktes Set-Vorhersageproblem unter Verwendung von Transformatoren neu formuliert. Im Gegensatz zu traditionellen Ansätzen, die eine handgefertigte Nachbearbeitung wie die nicht-maximale Unterdrückung verwenden, behandelt DETR die Objekterkennung als Sequenz-zu-Sequenz-Problem, bei dem der Transformator alle Objekte gleichzeitig vorhersagt.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/de/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.
- Masked AutoencodersDeep Learning↔ compare
- Segment Anything ModelDeep Learning↔ compare
- Swin TransformerDeep Learning↔ compare
- Vision MambaDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →