DETR (Detection Transformer) — Transformer do detekcji obiektów
DETR (Detection Transformer) to kompleksowa architektura do detekcji obiektów, wprowadzona przez Cariona i in. w 2020 roku, która przeformułowuje detekcję jako problem bezpośredniego przewidywania zbioru z wykorzystaniem transformatorów. W przeciwieństwie do tradycyjnych podejść, które stosują ręcznie projektowane etapy post-processingu, takie jak tłumienie niemaksymalne (non-maximum suppression), DETR traktuje detekcję obiektów jako problem sekwencja-do-sekwencji, gdzie transformator przewiduje wszystkie obiekty jednocześnie.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/pl/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.
- Zamaskowane autoenkoderyUczenie głębokie↔ compare
- Model Segment AnythingUczenie głębokie↔ compare
- Swin TransformerUczenie głębokie↔ compare
- Mamba WizyjnyUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →