DETR (Detection Transformer)
DETR (Detection Transformer) הוא מסגרת מקצה לקצה (end-to-end) לזיהוי אובייקטים שהוצגה על ידי Carion et al. בשנת 2020, אשר מגדירה מחדש זיהוי כבעיית חיזוי קבוצה ישירה (direct set prediction) תוך שימוש בטרנספורמרים. בניגוד לגישות מסורתיות המשתמשות בעיבוד-לאחר (post-processing) שתוכנן ידנית, כגון דיכוי לא-מקסימלי (non-maximum suppression), DETR מתייחסת לזיהוי אובייקטים כבעיית רצף-לרצף (sequence-to-sequence), שבה הטרנספורמר חוזה את כל האובייקטים בבת אחת.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/he/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.
- מקודדים אוטומטיים ממוסכיםלמידה עמוקה↔ compare
- Segment Anything Modelלמידה עמוקה↔ compare
- טרנספורמר סוויןלמידה עמוקה↔ compare
- Vision Mambaלמידה עמוקה↔ compare