本文为检索该领域文章后做的简单记录,没有模型结构的详细介绍,不过其中两三篇文章已是目前目标检测领域的SOTA(截止到21年8月) !
a、End-to-End Object Detection with Transformers:最早将Transformer带入到目标检测领域的文章,名叫DeTR,在coco数据集上可以达到44.9的准确率,与Faster R-CNN相当;模型的主要结构是先用一个常见的CNN网络提取2D的特征,然后将输出的特征图展平,当作序列输入给Transformer,然后经Transformer处理后并行输出最终预测结果;免去了关于Anchor的处理,免去了NMS的处理;从最后的实验结果来看,该模型不仅在目标检测领域能发挥作用,在目标检测的下游视觉任务领域中,其也能发挥较好的作用,例如全景分割,即语义分割与实例分割的结合版,可见该模型的强大之处!
b、Transformer in Transformer:华为2021年的一项工作,顾名思义,该模型的输入,需要将图片划分为一系列的patches,这一初步划分视为visual sentences,然后下一步再对这些划分出来的patches进行划分,视为visual word;模型里的Transformer结构粉为两块,即内部的与外部