Methodenbewijsdossier

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

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

End-to-End Object Detection with Transformers

Taxonomisch methodendossier · 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

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

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.