ΕπόμενοΕπόμενος οδηγός
Αποκατάσταση μετασχηματιστή SwinIR
Οπτική τεχνητή νοημοσύνη
ΟΔΗΓΟΣ οπτικού AI
Ανίχνευση μετασχηματιστή DETR
Το DETR (DEtection TRAnformer) επαναπλαισιώνει την ανίχνευση αντικειμένων ως ένα πρόβλημα άμεσης πρόβλεψης συνόλου που επιλύεται με έναν μετασχηματιστή, αφαιρώντας βήματα που έχουν σχεδιαστεί με το χέρι, όπως κουτιά αγκύρωσης και μη μέγιστη καταστολή.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
It matters because it gave detection a clean, end-to-end pipeline that inspired a wave of transformer-based vision models.
Βαθιά κατάδυση
Το DETR, που εισήχθη από το Facebook AI το 2020, συνδυάζει μια ραχοκοκαλιά CNN με έναν κωδικοποιητή-αποκωδικοποιητή μετασχηματιστή. Το CNN εξάγει χαρακτηριστικά εικόνας. ο κωδικοποιητής αναμιγνύει το παγκόσμιο πλαίσιο σε ολόκληρη την εικόνα. και ο αποκωδικοποιητής λαμβάνει ένα σταθερό σύνολο μαθησμένων «ερωτημάτων αντικειμένου» και μετατρέπει το καθένα είτε σε ανιχνευμένο αντικείμενο (κλάση συν οριοθέτηση) είτε σε αποτέλεσμα «χωρίς αντικείμενο». Η βασική καινοτομία είναι η διμερής αντιστοίχιση: κατά τη διάρκεια της εκπαίδευσης ένας ουγγρικός αλγόριθμος βρίσκει μια αντιστοίχιση ένα προς ένα μεταξύ προβλέψεων και αντικειμένων βασικής αλήθειας, έτσι το μοντέλο μαθαίνει να βγάζει απευθείας ένα μοναδικό πλαίσιο ανά αντικείμενο. Αυτό εξαλείφει τη μη μέγιστη καταστολή και τον συντονισμό αγκύρωσης. Οι ανταλλαγές ήταν η αργή σύγκλιση και η ασθενέστερη ακρίβεια μικροαντικειμένων, που αντιμετώπισαν επακόλουθα όπως το Deformable DETR.
Υλοποίηση σε πραγματικό κόσμο
Ανίχνευση και πυγμαχία πεζών και οχημάτων σε ερευνητικά σύνολα δεδομένων αυτόνομης οδήγησης
Ενισχύει την πανοπτική τμηματοποίηση όταν επεκτείνεται στην πρόβλεψη μάσκας ανά εικονοστοιχείο
Χρησιμεύει ως η βασική αρχιτεκτονική για ανιχνευτές ανοιχτού λεξιλογίου και γείωσης
Εντοπισμός αντικειμένων σε εικόνες ραφιών λιανικής χωρίς συντονισμό μεγεθών αγκύρωσης ανά σύνολο δεδομένων
Το μέλλον της ανίχνευσης μετασχηματιστών DETR
Η DETR κυκλοφόρησε μια ολόκληρη οικογένεια μετασχηματιστών ανίχνευσης. Παραλλαγές όπως το Deformable DETR, το DAB-DETR, το DN-DETR και το DINO επιτάχυναν δραματικά την εκπαίδευση και βελτίωσαν την ακρίβεια, με τα μοντέλα τύπου DINO να φτάνουν στην κορυφή των σημείων αναφοράς ανίχνευσης. Το από άκρο σε άκρο παράδειγμα που βασίζεται σε ερωτήματα επεκτείνεται τώρα στην τμηματοποίηση, την παρακολούθηση και την ανίχνευση 3D και οι ανιχνευτές ανοιχτού λεξιλογίου βασίζονται σε αυτό. Αναμένετε συνεχή σύγκλιση ανίχνευσης, τμηματοποίησης και γείωσης γλώσσας σε ενοποιημένες αρχιτεκτονικές μετασχηματιστών, με το DETR να θυμάται ως το βασικό βήμα που αφαίρεσε τα χειροποίητα ευρετικά.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Ταχύτητα και κλίμακα. Το Visual AI μπορεί να αυτοματοποιήσει εργασίες επιθεώρησης, ανίχνευσης και επισήμανσης σε κλίμακα.
- Δημιουργήστε επιλογές. Οι δημιουργικές ομάδες μπορούν να δημιουργήσουν πρωτότυπες ιδέες γρηγορότερα με λιγότερες μη αυτόματες αναθεωρήσεις.
- Ομάδα και ροή εργασίας. Οι λειτουργίες μπορούν να χρησιμοποιούν σήματα εικόνας και βίντεο που προηγουμένως ήταν δύσκολο να επεξεργαστούν.
Προσέξτε
- Τα δικαιώματα εικόνας και η συναίνεση μπορεί να αποτελέσουν νομικούς κινδύνους εάν η προέλευση είναι ασαφής.
- Η απόδοση του μοντέλου μπορεί να διαφέρει ανάλογα με το φωτισμό, τα δημογραφικά στοιχεία και τα περιβάλλοντα.
- Τα ψευδώς θετικά μπορεί να περάσουν απαρατήρητα εκτός εάν παρακολουθούνται τα όρια εμπιστοσύνης.
Επόμενα βήματα
- Καθορίστε κριτήρια αποδοχής για το κόστος ακρίβειας, ανάκλησης και σφάλματος.
- Δοκιμή με δεδομένα που ταιριάζουν με πραγματικές συνθήκες παραγωγής.
- Προσθέστε ανθρώπινη κριτική για προβλέψεις χαμηλής εμπιστοσύνης ή υψηλού αντίκτυπου.
- Παρακολουθήστε τη μετατόπιση του μοντέλου και επικυρώστε εκ νέου μετά από αλλαγές κάμερας ή δεδομένων.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the DETR Transformer Detection quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
What is DETR Transformer Detection?
Το DETR (DEtection TRAnformer) επαναπλαισιώνει την ανίχνευση αντικειμένων ως ένα πρόβλημα άμεσης πρόβλεψης συνόλου που επιλύεται με έναν μετασχηματιστή, αφαιρώντας βήματα που έχουν σχεδιαστεί με το χέρι, όπως κουτιά αγκύρωσης και μη μέγιστη καταστολή. Έχει σημασία γιατί έδωσε στην ανίχνευση έναν καθαρό, από άκρο σε άκρο αγωγό που ενέπνευσε ένα κύμα μοντέλων όρασης που βασίζονται σε μετασχηματιστές.
Τι αφαιρεί το DETR σε σύγκριση με παραδοσιακούς ανιχνευτές όπως το Faster R-CNN;
Το DETR είναι από άκρο σε άκρο και προβλέπει απευθείας ένα σύνολο κουτιών, εξαλείφοντας τις αγκυρώσεις και το μη μέγιστο στάδιο καταστολής μετά την επεξεργασία.
Ποιον αλγόριθμο χρησιμοποιεί το DETR για να ταιριάξει τις προβλέψεις με αντικείμενα αληθείας κατά τη διάρκεια της προπόνησης;
Το DETR χρησιμοποιεί τον ουγγρικό αλγόριθμο για να σχηματίσει μια ανάθεση ένα προς ένα μεταξύ προβλέψεων και αντικειμένων βασικής αλήθειας για την απώλεια συνόλου του.
Τι είναι τα «ερωτήματα αντικειμένων» του DETR;
Τα ερωτήματα αντικειμένων είναι ένας σταθερός αριθμός διανυσμάτων που μαθαίνονται. ο αποκωδικοποιητής μετατρέπει το καθένα σε μια πρόβλεψη αντικειμένου ή ένα αποτέλεσμα «χωρίς αντικείμενο».
Ποια συνολική αρχιτεκτονική συνδυάζει το DETR;
Το DETR συνδυάζει έναν συνελικτικό κορμό για χαρακτηριστικά με έναν μετασχηματιστή κωδικοποιητή-αποκωδικοποιητή για πρόβλεψη συνόλου.
Πώς υποστηρίζει ο εκπαιδευτικός στόχος του DETR το συμπέρασμα χωρίς ξεχωριστό στάδιο NMS;
Ο μαθησιακός στόχος ενθαρρύνει μια μοναδική πρόβλεψη ανά αντικείμενο. Αυτό είναι ένας μηχανισμός σχεδιασμού και εκπαίδευσης παρά μια εγγύηση αλάθητου.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα