DETR (Detection Transformer)
DETR (Detection Transformer) je cjeloviti (end-to-end) okvir za detekciju objekata koji su Carion i suradnici predstavili 2020. godine, a koji redefinira detekciju kao izravan problem predviđanja skupa (set prediction) koristeći transformere. Za razliku od tradicionalnih pristupa koji koriste ručno izrađene post-processing korake poput non-maximum suppression (NMS), DETR tretira detekciju objekata kao sekvencijalni problem gdje transformer predviđa sve objekte odjednom.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/hr/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 AutoencodersDuboko učenje↔ compare
- Segment Anything ModelDuboko učenje↔ compare
- Swin TransformerDuboko učenje↔ compare
- Vision MambaDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →