DETR (Detection Transformer)
DETR (Detection Transformer) er et rammeverk for objektdeteksjon fra ende til ende, introdusert av Carion et al. i 2020, som omformulerer deteksjon som et direkte settprediksjonsproblem ved bruk av transformere. I motsetning til tradisjonelle tilnærminger som bruker håndlaget etterbehandling som non-maximum suppression, behandler DETR objektdeteksjon som et sekvens-til-sekvens-problem der transformeren predikerer alle objekter samtidig.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/no/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.
- Maskerte autoenkodereDyp læring↔ compare
- Segment Anything ModelDyp læring↔ compare
- Swin TransformerDyp læring↔ compare
- Vision MambaDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →