DETR (Detection Transformer)
DETR (Detection Transformer) adalah kerangka kerja ujung ke ujung untuk deteksi objek yang diperkenalkan oleh Carion et al. pada tahun 2020 yang merumuskan ulang deteksi sebagai masalah prediksi himpunan langsung menggunakan transformer. Berbeda dengan pendekatan tradisional yang menggunakan pasca-pemrosesan buatan tangan seperti non-maximum suppression, DETR memperlakukan deteksi objek sebagai masalah urutan-ke-urutan di mana transformer memprediksi semua objek sekaligus.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/id/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.
- Autoenkoder BertopengPembelajaran Mendalam↔ compare
- Model Segmentasi Apa PunPembelajaran Mendalam↔ compare
- Swin TransformerPembelajaran Mendalam↔ compare
- Vision MambaPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →