ДаліНаступний посібник
Відновлення трансформатора SwinIR
Візуальний ШІ
Візуальний AI GUIDE
Виявлення трансформатора DETR
DETR (DEtection TRansformer) перетворює виявлення об’єктів як проблему прямого передбачення набору, що вирішується за допомогою трансформатора, видаляючи розроблені вручну етапи, такі як анкерні коробки та немаксимальне придушення.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
Це важливо, тому що це дало виявлення чистий, наскрізний конвеєр, який надихнув хвилю трансформаторних моделей зору.
Глибоке занурення
DETR, представлений Facebook AI у 2020 році, поєднує магістраль CNN із трансформаторним кодером-декодером. CNN виділяє риси зображення; кодер змішує глобальний контекст по всьому зображенню; і декодер приймає фіксований набір вивчених «запитів об’єктів» і перетворює кожен або на виявлений об’єкт (клас плюс обмежувальна рамка), або на результат «без об’єкта». Ключовою новинкою є двостороннє зіставлення: під час навчання угорський алгоритм знаходить присвоєння один-до-одного між прогнозами та об’єктами базової правди, тому модель навчається виводити унікальний блок безпосередньо для кожного об’єкта. Це усуває немаксимальне придушення та налаштування прив’язки. Компромісами були повільна конвергенція та менша точність дрібних об’єктів, які були спрямовані на наступні заходи, такі як Deformable DETR.
Реалізація в реальному світі
Виявлення та блокування пішоходів і транспортних засобів у наборах даних дослідження автономного водіння
Потужність панорамної сегментації, якщо її розширити до попіксельного передбачення маски
Служить базовою архітектурою для детекторів із відкритим словником і заземленням
Розташування об’єктів на зображеннях роздрібних полиць без налаштування розмірів прив’язки для кожного набору даних
Майбутнє виявлення трансформаторів DETR
DETR випустив цілу сімейку трансформаторів виявлення. Такі варіанти, як деформований DETR, DAB-DETR, DN-DETR і DINO, значно пришвидшили навчання та підвищили точність, а моделі в стилі DINO досягли найвищих показників тестів виявлення. Наскрізна парадигма на основі запитів тепер поширюється на сегментацію, відстеження та 3D-виявлення, а детектори відкритого словника будуються на її основі. Очікуйте продовження конвергенції виявлення, сегментації та обґрунтування мови в уніфіковані трансформаторні архітектури, де DETR згадується як ключовий крок, який усунув створені вручну евристики.
Застосування на практиці
Чому це важливо
- Швидкість і масштаб. Візуальний штучний інтелект може автоматизувати масштабні завдання перевірки, виявлення та позначення тегами.
- Створіть вибір. Творчі групи можуть створювати прототипи концепцій швидше з меншою кількістю переглядів вручну.
- Команда та робочий процес. Операції можуть використовувати зображення та відеосигнали, які раніше було важко обробити.
Зверніть увагу на
- Права на зображення та згода можуть стати юридичними ризиками, якщо походження невідоме.
- Продуктивність моделі може відрізнятися залежно від освітлення, демографічних показників і середовища.
- Помилкові спрацьовування можуть залишитися непоміченими, якщо не відстежувати пороги довіри.
Наступні кроки
- Визначте критерії прийнятності для точності, відкликання та вартості помилок.
- Тестуйте з даними, які відповідають реальним умовам виробництва.
- Додайте перевірку людиною для прогнозів із низьким рівнем достовірності або високого впливу.
- Відстежуйте дрейф моделі та повторно перевіряйте після зміни камери або набору даних.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the DETR Transformer Detection quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
Що таке виявлення трансформатора DETR?
DETR (DEtection TRansformer) перетворює виявлення об’єктів як проблему прямого передбачення набору, що вирішується за допомогою трансформатора, видаляючи розроблені вручну етапи, такі як анкерні коробки та немаксимальне придушення. Це важливо, тому що це дало виявлення чистий, наскрізний конвеєр, який надихнув хвилю трансформаторних моделей зору.
Що видаляє DETR порівняно з традиційними детекторами, такими як Faster R-CNN?
DETR є наскрізним і прогнозує набір блоків безпосередньо, усуваючи прив’язки та етап постобробки немаксимального придушення.
Який алгоритм використовує DETR для зіставлення прогнозів із наземними об’єктами під час навчання?
DETR використовує угорський алгоритм для формування однозначного розподілу між передбаченнями та об’єктами наземної правди для його втрати набору.
Що таке "об'єктні запити" DETR?
Об’єктні запити – це фіксована кількість вивчених векторів; декодер перетворює кожен у прогноз об’єкта або результат «без об’єкта».
Яку загальну архітектуру поєднує DETR?
DETR поєднує згорткову магістраль для функцій із трансформаторним кодером-декодером для передбачення набору.
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.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми