DETR (Detection Transformer)
Το DETR (Detection Transformer) είναι ένα πλαίσιο από άκρο σε άκρο (end-to-end) για την ανίχνευση αντικειμένων, το οποίο εισήχθη από τους Carion et al. το 2020 και αναδιατυπώνει την ανίχνευση ως ένα άμεσο πρόβλημα πρόβλεψης συνόλου (set prediction) χρησιμοποιώντας transformers. Σε αντίθεση με τις παραδοσιακές προσεγγίσεις που χρησιμοποιούν χειροποίητες μεθόδους μετα-επεξεργασίας, όπως η μη-μέγιστη καταστολή (non-maximum suppression), το DETR αντιμετωπίζει την ανίχνευση αντικειμένων ως ένα πρόβλημα ακολουθίας-προς-ακολουθία (sequence-to-sequence), όπου ο transformer προβλέπει όλα τα αντικείμενα ταυτόχρονα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/el/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.
- Μασκοφόροι ΑυτοκωδικοποιητέςΒαθιά Μάθηση↔ compare
- Μοντέλο Τμηματοποίησης ΟτιδήποτεΒαθιά Μάθηση↔ compare
- Swin TransformerΒαθιά Μάθηση↔ compare
- Vision MambaΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →