DETR (Detection Transformer)
DETR (Detection Transformer) ialah sebuah rangka kerja hujung ke hujung (end-to-end) untuk pengesanan objek yang diperkenalkan oleh Carion et al. pada tahun 2020 yang merumuskan semula pengesanan sebagai masalah ramalan set langsung menggunakan transformer. Berbeza dengan pendekatan tradisional yang menggunakan pasca-pemprosesan buatan tangan seperti penindasan maksimum bukan (non-maximum suppression), DETR menganggap pengesanan objek sebagai masalah jujukan-ke-jujukan (sequence-to-sequence) di mana transformer meramalkan semua objek sekaligus.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/ms/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 Segment SesuatuPembelajaran Mendalam↔ compare
- Swin TransformerPembelajaran Mendalam↔ compare
- Vision MambaPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →