DETR (Detection Transformer)
DETR (Detection Transformer) est un cadre de bout en bout pour la détection d'objets introduit par Carion et al. en 2020 qui reformule la détection comme un problème de prédiction d'ensemble directe utilisant des transformeurs. Contrairement aux approches traditionnelles qui utilisent un post-traitement artisanal comme la suppression non maximale, DETR traite la détection d'objets comme un problème de séquence à séquence où le transformeur prédit tous les objets simultanément.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/fr/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.
- Autoencodeurs masquésApprentissage profond↔ compare
- Modèle Segment AnythingApprentissage profond↔ compare
- Swin TransformerApprentissage profond↔ compare
- Mamba VisionApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →