DETR (Detection Transformer)
DETR (Detection Transformer) یک چارچوب سرتاسری (end-to-end) برای تشخیص اشیاء است که توسط Carion و همکاران در سال ۲۰۲۰ معرفی شد و تشخیص را به عنوان یک مسئله پیشبینی مستقیم مجموعه (direct set prediction) با استفاده از ترنسفورمرها بازتعریف میکند. برخلاف رویکردهای سنتی که از پسپردازشهای دستی مانند سرکوب حداکثر غیربیشینه (non-maximum suppression) استفاده میکنند، DETR تشخیص اشیاء را به عنوان یک مسئله توالی به توالی (sequence-to-sequence) در نظر میگیرد که در آن ترنسفورمر تمام اشیاء را به طور همزمان پیشبینی میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/fa/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.
- خودرمزگذارِ پوشیده (Masked Autoencoders)یادگیری عمیق↔ compare
- مدل قطعهبندی هر چیزی (Segment Anything Model - SAM)یادگیری عمیق↔ compare
- ترنسفورمر سوین (Swin Transformer)یادگیری عمیق↔ compare
- ویژن مامبایادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →