DETR (Detection Transformer)
DETR (Detection Transformer) ir pilna cikla (end-to-end) sistēma objektu noteikšanai, ko 2020. gadā ieviesa Carion et al. un kas pārformulē noteikšanu kā tiešu kopu prognozēšanas problēmu, izmantojot transformerus. Atšķirībā no tradicionālajām pieejām, kas izmanto manuāli izstrādātu pēcapstrādi, piemēram, nenormālu slāpēšanu (non-maximum suppression), DETR objektu noteikšanu aplūko kā secību-secībai (sequence-to-sequence) problēmu, kurā transformers prognozē visus objektus vienlaicīgi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/lv/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.
- Apslēptie autoenkoderiDziļā mācīšanās↔ compare
- Jebkā Segmentācijas ModelisDziļā mācīšanās↔ compare
- Swin TransformerDziļā mācīšanās↔ compare
- Vision MambaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →