LegközelebbKövetkező útmutató
SwinIR transzformátor helyreállítás
Vizuális AI
Vizuális MI ÚTMUTATÓ
A DETR (DEtection TRansformer) átalakítja az objektumészlelést, mint egy transzformátorral megoldott közvetlen előrejelzési problémát, eltávolítva a kézzel tervezett lépéseket, például a horgonydobozokat és a nem maximális elnyomást.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
It matters because it gave detection a clean, end-to-end pipeline that inspired a wave of transformer-based vision models.
A Facebook AI által 2020-ban bevezetett DETR a CNN gerinchálózatot egy transzformátor kódoló-dekódolóval kombinálja. A CNN kivonja a képjellemzőket; a kódoló a globális kontextust keveri a teljes képen; és a dekóder veszi a tanult „objektumlekérdezések” rögzített halmazát, és mindegyiket észlelt objektummá (osztály plusz határolókeret) vagy „nincs objektum” eredménnyé alakítja. A legfontosabb újdonság a bipartit matching: a betanítás során egy magyar algoritmus egy-egy hozzárendelést talál a predikciók és az alapigazság objektumok között, így a modell megtanulja objektumonként egy egyedi dobozt közvetlenül kiadni. Ez kiküszöböli a nem maximális elnyomást és a horgonyhangolást. A kompromisszum a lassú konvergencia és a kis objektumok gyengébb pontossága volt, amivel a nyomon követés, például a Deformable DETR foglalkozott.
Gyalogosok és járművek észlelése és bokszolása az autonóm vezetési kutatási adatkészletekben
A panoptikus szegmentálás működése, ha kiterjeszkedik a pixelenkénti maszk előrejelzésére
A nyílt szókincs és a földelő detektorok gerinchálózataként szolgál
Objektumok megkeresése a kiskereskedelmi polcképeken a horgonyméretek adatkészletenkénti hangolása nélkül
A DETR piacra dobta az érzékelő transzformátorok egész családját. Az olyan változatok, mint a Deformable DETR, DAB-DETR, DN-DETR és DINO, drámaian felgyorsították az edzést és javították a pontosságot, a DINO-stílusú modellek pedig az észlelési benchmarkok csúcsát érték el. A lekérdezés alapú, végpontok közötti paradigma mostantól kiterjed a szegmentálásra, a nyomon követésre és a 3D észlelésre, és a nyílt szókincs detektorai erre épülnek. Az észlelés, a szegmentálás és a nyelvi földelés folyamatos konvergenciájára számíthat az egységes transzformátor-architektúrákban, és a DETR-re úgy emlékezünk, mint a kézzel készített heurisztikák eltávolítására.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A DETR (DEtection TRansformer) átalakítja az objektumészlelést, mint egy transzformátorral megoldott közvetlen előrejelzési problémát, eltávolítva a kézzel tervezett lépéseket, például a horgonydobozokat és a nem maximális elnyomást. Ez azért fontos, mert tiszta, végpontok közötti csővezetéket adott az észlelésnek, amely transzformátor alapú látásmodellek hullámát inspirálta.
A DETR végpontok között működik, és közvetlenül előrejelzi a dobozok készletét, kiküszöbölve a horgonyokat és a nem maximális elnyomást nem igénylő utófeldolgozási lépést.
A DETR a magyar algoritmus segítségével egy-egy hozzárendelést alkot az előrejelzések és az alap-igazság objektumok között a halmazvesztéshez.
Az objektumlekérdezések rögzített számú tanult vektorok; a dekóder mindegyiket objektum-előrejelzéssé vagy „nincs objektum” eredménnyé konvertálja.
A DETR a funkciók konvolúciós gerincét egy transzformátor kódoló-dekódolóval párosítja a készlet előrejelzéséhez.
The learning objective encourages a unique prediction per object; this is a design and training mechanism rather than an infallibility guarantee.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
SwinIR transzformátor helyreállítás
Vizuális AI