DETR (Detection Transformer)
DETR (Detection Transformer) är ett ramverk för objektdetektering från "end-to-end" som introducerades av Carion et al. 2020. Det omformulerar detektering som ett direkt mängdprediktionsproblem med hjälp av transformatorer. Till skillnad från traditionella metoder som använder handgjord efterbearbetning, som "non-maximum suppression", behandlar DETR objektdetektering som ett sekvens-till-sekvens-problem där transformatorn predikterar alla objekt samtidigt.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). End-to-End Object Detection with Transformers. ScholarGate. https://scholargate.app/sv/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.
- Maskerade autoenkodrarDjupinlärning↔ compare
- Segment Anything ModelDjupinlärning↔ compare
- Swin TransformerDjupinlärning↔ compare
- Vision MambaDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →