DETR (Detection Transformer)
DETR (Detection Transformer) on Carion et al. vuonna 2020 esittelemä päästä päähän -objektintunnistuskehys, joka uudelleenmuotoilee tunnistuksen suoraksi joukkoprediktiotehtäväksi käyttäen transformereita. Toisin kuin perinteiset lähestymistavat, jotka käyttävät käsintehtyjä jälkikäsittelyjä, kuten ei-maksimivaimennusta (non-maximum suppression), DETR käsittelee objektintunnistusta sekvenssi-sekvenssi-ongelmana, jossa transformeri ennustaa kaikki objektit kerralla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/fi/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 AutoencodersSyväoppiminen↔ compare
- Segment Anything ModelSyväoppiminen↔ compare
- Swin TransformerSyväoppiminen↔ compare
- Vision MambaSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →