SeterusnyaPanduan seterusnya
Pemulihan Transformer SwinIR
AI Visual
PANDUAN AI Visual
Pengesanan Transformer DETR
DETR (DEtection TRansformer) merangka semula pengesanan objek sebagai masalah ramalan set langsung yang diselesaikan dengan pengubah, mengalih keluar langkah rekaan tangan seperti kotak sauh dan penindasan bukan maksimum.
Dengar panduan iniAI-diceritakan · ~2 min
Pada halaman ini2 min dibaca
Gambaran keseluruhan
It matters because it gave detection a clean, end-to-end pipeline that inspired a wave of transformer-based vision models.
Menyelam dalam
Diperkenalkan oleh Facebook AI pada tahun 2020, DETR menggabungkan tulang belakang CNN dengan penyahkod pengekod pengubah. CNN mengekstrak ciri imej; pengekod mencampurkan konteks global merentasi keseluruhan imej; dan penyahkod mengambil set tetap 'pertanyaan objek' yang dipelajari dan menukar setiap satu sama ada objek yang dikesan (kelas ditambah kotak sempadan) atau hasil 'tiada objek'. Kebaharuan utama ialah padanan dwipartit: semasa latihan, algoritma Hungary mencari tugasan satu sama satu antara ramalan dan objek kebenaran tanah, jadi model belajar untuk mengeluarkan kotak unik bagi setiap objek secara langsung. Ini menghapuskan penindasan tidak maksimum dan penalaan anchor. Pertukaran adalah penumpuan yang perlahan dan ketepatan objek kecil yang lebih lemah, yang tindakan susulan seperti DETR Boleh Deformasi ditangani.
Pelaksanaan Dunia Sebenar
Mengesan dan meninju pejalan kaki dan kenderaan dalam set data penyelidikan pemanduan autonomi
Menguasakan pembahagian panoptik apabila dilanjutkan kepada ramalan topeng per piksel
Berkhidmat sebagai seni bina tulang belakang untuk perbendaharaan kata terbuka dan pengesan pembumian
Mengesan objek dalam imej rak runcit tanpa menala saiz sauh setiap set data
Masa Depan Pengesanan Transformer DETR
DETR melancarkan seluruh keluarga pengubah pengesanan. Varian seperti DETR Boleh Deformasi, DAB-DETR, DN-DETR dan DINO secara mendadak mempercepatkan latihan dan ketepatan yang dipertingkatkan, dengan model gaya DINO mencapai bahagian atas penanda aras pengesanan. Paradigma berasaskan pertanyaan, hujung-ke-hujung kini meluas kepada pembahagian, penjejakan dan pengesanan 3D, dan pengesan perbendaharaan kata terbuka membinanya. Jangkakan penumpuan berterusan pengesanan, pembahagian dan asas bahasa ke dalam seni bina transformer bersatu, dengan DETR diingati sebagai langkah penting yang mengalih keluar heuristik buatan tangan.
Mempraktikkannya
Mengapa ia penting
- Kelajuan dan skala. Visual AI boleh mengautomasikan tugas pemeriksaan, pengesanan dan penandaan pada skala.
- Pilihan binaan. Pasukan kreatif boleh membuat prototaip konsep dengan lebih pantas dengan lebih sedikit semakan manual.
- Pasukan dan aliran kerja. Operasi boleh menggunakan isyarat imej dan video yang sebelum ini sukar diproses.
Berhati-hati untuk
- Hak imej dan persetujuan boleh menjadi risiko undang-undang jika asalnya tidak jelas.
- Prestasi model boleh berbeza mengikut pencahayaan, demografi dan persekitaran.
- Positif palsu mungkin tidak disedari melainkan ambang keyakinan dipantau.
Langkah seterusnya
- Tentukan kriteria penerimaan untuk ketepatan, ingatan semula dan kos ralat.
- Uji dengan data yang sepadan dengan keadaan pengeluaran sebenar.
- Tambahkan semakan manusia untuk ramalan keyakinan rendah atau berimpak tinggi.
- Jejaki hanyut model dan sahkan semula selepas perubahan kamera atau set data.
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the DETR Transformer Detection quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
What is DETR Transformer Detection?
DETR (DEtection TRansformer) merangka semula pengesanan objek sebagai masalah ramalan set langsung yang diselesaikan dengan pengubah, mengalih keluar langkah rekaan tangan seperti kotak sauh dan penindasan bukan maksimum. Ia penting kerana ia memberikan pengesanan saluran paip bersih dari hujung ke hujung yang mengilhamkan gelombang model penglihatan berasaskan pengubah.
Apakah yang dialih keluar oleh DETR berbanding dengan pengesan tradisional seperti Faster R-CNN?
DETR adalah hujung ke hujung dan meramalkan set kotak secara langsung, menghapuskan sauh dan langkah pasca pemprosesan penindasan bukan maksimum.
Algoritma manakah yang DETR gunakan untuk memadankan ramalan dengan objek kebenaran tanah semasa latihan?
DETR menggunakan algoritma Hungary untuk membentuk tugasan satu dengan satu antara ramalan dan objek kebenaran tanah untuk kehilangan setnya.
Apakah 'pertanyaan objek' DETR?
Pertanyaan objek ialah bilangan tetap vektor yang dipelajari; penyahkod menukar setiap satu kepada ramalan objek atau hasil 'tiada objek'.
Apakah seni bina keseluruhan yang digabungkan oleh DETR?
DETR menggandingkan tulang belakang konvolusi untuk ciri dengan penyahkod pengekod pengubah untuk ramalan yang ditetapkan.
How does DETR's training objective support inference without a separate NMS stage?
The learning objective encourages a unique prediction per object; this is a design and training mechanism rather than an infallibility guarantee.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini