DETR (Detection Transformer)
DETR (Detection Transformer) je end-to-end (s kraja na kraj) okvir za detekciju objekata koji su uveli Carion i saradnici 2020. godine, a koji preformuliše detekciju kao direktan problem predikcije skupa korišćenjem transformera. Za razliku od tradicionalnih pristupa koji koriste ručno izrađene post-procesne korake poput non-maximum suppression (NMS), DETR tretira detekciju objekata kao sekvencijalni problem gde transformer predviđa sve objekte odjednom.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/sr/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 AutoencodersDuboko učenje↔ compare
- Segment Anything ModelDuboko učenje↔ compare
- Swin TransformerDuboko učenje↔ compare
- Vision MambaDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →