DETR (Detection Transformer)
DETR (Detection Transformer) is een end-to-end raamwerk voor objectdetectie, geïntroduceerd door Carion et al. in 2020, dat detectie herformuleert als een direct set-predictieprobleem met behulp van transformers. In tegenstelling tot traditionele benaderingen die handmatig ontworpen nabewerking, zoals non-maximum suppression, gebruiken, behandelt DETR objectdetectie als een sequentie-naar-sequentieprobleem waarbij de transformer alle objecten tegelijk voorspelt.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/nl/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 AutoencodersDeep learning↔ compare
- Segment Anything ModelDeep learning↔ compare
- Swin TransformerDeep learning↔ compare
- Vision MambaDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →