机器学习笔记 - 使用DETR进行目标检测
2023-09-14 09:01:36 时间
一、DETR简述
Transformers 是一种深度学习架构,近年来越来越受欢迎。它们依赖于一种称为注意力的简单而强大的机制,它使人工智能模型能够有选择地关注其输入的某些部分,从而更有效地推理。Transformer 已广泛应用于处理顺序数据的问题,特别是在自然语言处理 (NLP) 任务中,例如语言建模和机器翻译,并且还扩展到了各种任务,例如语音识别,符号数学, 和强化学习。但是,也许令人惊讶的是,计算机视觉还没有被 Transformer 革命席卷而来。
为了帮助弥合这一差距,我们正在发布检测变压器 (DETR),一种重要的目标检测和全景分割新方法。与以前的对象检测系统相比,DETR 完全改变了架构。它是第一个成功地将 Transformer 集成为检测管道中的核心构建块的对象检测框架。
DETR 与最先进的方法的性能相匹配,例如在具有挑战性的 COCO 对象检测数据集上完善且高度优化的 Faster R-CNN 基线,同时还大大简化和精简了架构。
DETR通过将常见的 CNN 与 Transformer 架构相结合,直接(并行)预测最终的检测集。在训练期间,二分匹配唯一地分配具有地面真值框的预测。没有匹配的预测应该产生“无对象”类预测。
相关文章
- 机器学习笔记(十一)----降维
- 机器学习笔记(十)---- KNN(K Nearst Neighbor)
- Coursera台大机器学习技法课程笔记14-Radial Basis Function Network
- Coursera台大机器学习课程笔记9 -- Logistic Regression
- 社区智慧+机器智能=奇虎经验的知识机器人
- 机器学习笔记----最小二乘法,局部加权,岭回归讲解
- 机器学习笔记 - 什么是标准正态分布表?
- 机器学习笔记 - 什么是置信区间?
- 机器学习笔记 - 优化简介
- 机器学习笔记 - 迹算子(跟踪运算符)
- 机器学习笔记 - 使用TensorFlow2.0 + ResNet进行疟疾预测
- 机器学习笔记 - MediaPipe了解 + 结合OpenCV进行人体姿势估计
- 机器学习笔记 - pytorch + unet + 数据科学碗竞赛 医学图像分割
- 机器学习笔记 - 使用Mask-Rcnn训练自定义数据集
- 机器学习笔记 - 基于Torch Hub和YOLOv5和SSD的目标检测
- 机器学习笔记 - 在Vehicles数据集上训练 YOLOv5 目标检测器
- 机器学习笔记 - 时间序列使用机器学习进行预测
- 机器学习笔记 - ENet论文解读
- 机器学习笔记 - 图解对象检测任务(2)
- 机器学习笔记 - 支持向量机(SVM)背后的数学三
- 机器学习笔记 - Keras中的回调函数Callback使用教程
- 机器学习笔记 - 支持向量机(SVM)
- 机器学习笔记 - 基于python库Scikit-Learn的集成学习
- 机器学习笔记 - 2、CNN中的参数计算
- 机器学习笔记 - python学习记录一
- 机器学习笔记 - win10安装tensorflow-gpu.2.2 + Cuda10+cudnn7.6.5
- 机器学习笔记 - Ubuntu18.04配置TensorFlow和Keras深度学习环境
- 【机器学习概念笔记】:空间概念