DETR (Detection Transformer)
DETR (Detection Transformer) é um framework de ponta a ponta para detecção de objetos introduzido por Carion et al. em 2020, que reformula a detecção como um problema direto de predição de conjuntos usando transformers. Ao contrário das abordagens tradicionais que utilizam pós-processamento manual como a supressão não máxima, o DETR trata a detecção de objetos como um problema de sequência para sequência, onde o transformer prevê todos os objetos de uma vez.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/pt/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.
- Autoencoders MascaradosAprendizado profundo↔ compare
- Modelo Segment AnythingAprendizado profundo↔ compare
- Swin TransformerAprendizado profundo↔ compare
- Vision MambaAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →