Metodes pierādījumu reģistrs

DETR (Detection Transformer)

DETR (Detection Transformer) is an end-to-end framework for object detection introduced by Carion et al. in 2020 that reformulates detection as a direct set prediction problem using transformers. Unlike traditional approaches that use hand-crafted post-processing like non-maximum suppression, DETR treats object detection as a sequence-to-sequence problem where the transformer predicts all objects at once.

Sources recorded, not reviewed

Avota reģistrs

Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.

End-to-End Object Detection with Transformers

Taksonomiskās metodes reģistrs · ml-model / deep-learning

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

Atvērt pilnu metodi

Kurēti apgalvojumi

Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.

Vēl nav kurētu apgalvojumu

Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.

Saistītās metodes

Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.

Same method familyMasked Autoencodersmachine-suggested · Relational suggestion, not evidence.Same method familySegment Anything Modelmachine-suggested · Relational suggestion, not evidence.Same method familySwin Transformermachine-suggested · Relational suggestion, not evidence.Same method familyVision Mambamachine-suggested · Relational suggestion, not evidence.