DETR网络结构

已于 2022-05-24 11:01:33 修改
阅读量2.1k 收藏 6
点赞数 3
文章标签： 神经网络 pytorch 视觉检测
于 2021-06-10 10:16:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dtjun_sjtu/article/details/117769170
版权

本文所画的DETR结构是基于的代码基于：

https://gitee.com/qiancheng_sjtu/detr_demo/tree/master

代码运行环境：

    windows10

    torch 1.7.1

图中对resnet50部分没有进行解析，如果对rensnet50还不熟悉，可以先参考Resnet_50网络结构图_haoji007的博客-CSDN博客_resnet50结构图

DETR输入图片以size为(bs,3,224,224)为例，用的resnet50就是去掉了原版的最后一个连接层，输出size为（bs,2048,7,7）

需要原图的可以留言（很不要face的在图上加了自己笔名），我看到了会尽快发

第一次写博客，写的比较乱，请多指教

由于不常看评论区，所以还是网盘分享

链接: https://pan.baidu.com/s/1xEnF9LY5_Z0kps9S1NCRcA 提取码: d6m9

少年NG
关注
详解RT-DETR网络结构/数据集获取/环境搭建/训练/推理/验证/导出/部署
Snu77的博客
11-27 2万+
本文给大家带来是利用RT-DETR模训练自己的数据集，RT-DETR是一种新提出的目标检测模型，它利用的自注意力机制来处理图像数据。不同于YOLO通过连续的卷积层直接对图像区域进行分析，RT-DETR采用Transformer架构中的自注意力机制，这允许模型更有效地理解图像中不同部分之间的关系。这种方法使得RT-DETR在处理图像中的复杂场景和多对象环境时，能够展现出更高的准确性和效率。此外，RT-DETR在保持高精度的同时，也针对实时处理进行了优化，使其适合需要快速响应的应用场景。
【DETR系列目标检测算法代码精讲】01 DETR算法01 DETR算法框架和网络结构介绍
weixin_44184852的博客
03-30 1025
总所周知，传统的目标检测算法非常依赖于anchor和nms等手工设计操作，非常费时费力，自然而然的就产生了取消这些操作的想法。但是我们首先需要思考的是，为什么我们需要anchor和nms？因为我们是没有指定anchor去具体预测哪一个目标的，而且nms操作是建立在纯粹的边界框的距离上的，它完全没有利用到图像的信息，只是根据两个边界框的IoU去做判断，这样造成了两个问题。
DETR个人学习笔记（五）之DETR的网络结构
weixin_44303979的博客
05-23 2148
接下来正式介绍DETR的网络结构。 先来回顾一下目标检测，目标检测就是要定位和识别。定位就是要找到物体所在位置，即Bounding box，边界框，识别就是确定物体是什么，要给出物体标签（Category label）和置信度得分（Confidence score）。比如下图就给出了物体的类别、置信度标签和位置边界框。 对于目标检测，卷积神经网络的方法，它会确定图片中物体所在的边界框，但是这样的边界框可能有多个，所有需要后处理，进行非极大抑制处理，然后得到目标边界框 下图展示了基于Faster R-CN
【浅显易懂系列】DETR详细解释，一看就懂也！
weixin_39188311的博客
09-05 527
DETR（Detection Transformer）是一种基于Transformer的目标检测模型，它通过端到端的训练来直接预测目标的位置和类别。下面，我将选取DETR模型中的核心部分，使用PyTorch进行逐行解释，并注释其维度。
【详细解读DETR，基于transformer的目标检测网络】DETR： End-to-End Object Detection with Transformers
热门推荐
m0_48086806的博客
08-08 3万+
【详细解读DETR，基于transformer的目标检测网络】DETR： End-to-End Object Detection with Transformers
探索发现：自绘DETR结构图
tangshopping的博客
03-19 1302
一、 前言 最近在看transformer相关的模型，其中vit还好，结构简单，decode与位置编码都没有。看到DETR才觉得比较“齐全”，该有的都有了。怕以后忘记，画个图，帮助记忆，顺便抛砖引玉，如有错误欢迎各位大佬指正。 二、 结构图 根据官方代码画的，最好是结合代码观看，再结合下面这张图看就更加好理解了。 上图是每个encode、deconde模块内部的情况。 ...
DETR整体模型结构解析
weixin_43912994的博客
05-29 1004
DETR目标检测整体框架模型结构解析
百度 RT-DETR 算法原理解析 | 超越YOLO的目标检测新高度？
YOLOv8项目贡献者
09-22 9662
详解百度RT-DETR
独创改进 | RT-DETR 引入双向级联特征融合结构 RepBi-PAN | 附手绘结构图原图
YOLOv8项目贡献者
11-05 1635
独创双向级联特征融合结构 RepBi-PAN
YOLOv5改进 | 主干篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv5 (附手撕结构图)
Snu77的博客
12-19 2426
本文给大家带来利用RT-DETR模型主干HGNet去替换YOLOv8的主干，RT-DETR是今年由百度推出的第一款实时的ViT模型，其在实时检测的领域上号称是打败了YOLO系列，其利用两个主干一个是HGNet一个是ResNet，其中HGNet就是我们今天来讲解的网络结构模型，这个网络结构目前还没有推出论文，所以其理论知识在网络上也是非常的少，我也是根据网络结构图进行了分析。⭐⭐⭐YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新训练结果对比图->​​目录一、本文介绍。
DETR目标检测框架
weixin_54418006的博客
07-08 457
概念：DETR（Detection Transformer）是一种基于Transformer架构的端到端目标检测框架。它与传统的基于区域提议的目标检测方法有所不同。传统方法通常依赖于手工设计的组件（如锚框、非极大值抑制等），而DETR将目标检测视为直接集合预测问题。
[自注意力神经网络]DETR目标检测网络
就随便写写....
03-07 1596
DETR模型的概述
DETR模型结构
weixin_42254289的博客
08-02 601
在模型框架图中，可以看到包含三个部分，第一部分包含CNN和位置编码的的backbone，第二部分包含transformer encoder 和decoder模块，第三部分是检测头，其中包含两个检测头，一个用于检测bounding box的类别，另一个用于预测bounding box的坐标。第二张图是transformer encoder和decoder的细节图。
【Head-DETR系列（1）】视觉领域的首创DETR，End-to-End Object Detection with Transformers网络的主要组成是CNN和Transformer
Hali_Botebie的博客
06-24 912
作为【Head-DETR系列】的开篇之作，接下来，我将按照 Transformer–>detr–>deforable detr–>ConditionalDetr—>DABDetr 讲解这个系列。
DETR（DEtection TRansformer）的初步摸索
qq_35166730的博客
06-11 2万+
DETR是FIR提出的基于Transformers的端到端目标检测，没有NMS后处理步骤、没有anchor，结果在coco数据集上效果与Faster RCNN相当，且可以很容易地将DETR迁移到其他任务例如全景分割。 引用知乎大佬的画来说，这种做目标检测的方法更合理。 优点： 1、提出了一种目标检测新思路，真正的end-to-end，更少的先验（没有anchor、nms等）； 2、在coco上，准确率、运行效率与高度优化的faster R-CNN基本持平。在大目标上效果比faster R-CNN好。 3
DETR详解
D_YueChu_F的博客
07-30 471
DETR
detr详解
qq_35627757的博客
10-06 636
转载：用Transformer做object detection：DETR - 知乎
【DETR】1、DETR | 首个使用 Transformers 的目标检测器
呆呆的猫的博客
10-25 3054
本文主要介绍 DETR
DETR中的前馈网络层结构图
最新发布
09-26
DETR (Detected Transformers) 是一种基于Transformer架构的目标检测模型，它显著地改变了传统的目标检测流程，不再依赖于复杂的区域提议生成步骤。DETR的核心思想是将每个目标视为查询向量，并通过编码器-解码器结构直接预测出目标的位置和类别。 它的前馈网络层主要包括以下几个部分： 1. **输入表示**：首先，图像被送入一个预训练的CNN（如ResNet或ViT），提取特征图。然后，每个位置的特征会被转化为固定大小的嵌入向量，称为“位置编码”。 2. **自注意力层**（Self-Attention Layer）：这是Transformer的基础模块，它允许模型学习输入序列中的全局上下文信息。在这个阶段，每个查询向量都会与所有其他位置的特征进行交互，形成注意力权重，用于加权聚合特征。 3. **跨注意力层**（Cross-Attention Layer）：如果存在可选的关键字（如目标候选），这一层会引入跨模态的关注机制，使得模型能够同时考虑视觉特征和查询向量。 4. **点wise变换**：经过注意力之后，通过一些线性变换和残差连接，更新查询向量以更好地反映其对应的目标信息。 5. **多头注意力**（Multi-Head Attention）：为了捕获不同抽象层次的信息，DETR通常采用多头注意力机制，对输入进行多次独立处理。 6. **Feedforward Network**：这是一系列密集的全连接层，进一步转换和提炼注意力结果。 7. **预测头**：最后，一个或多个预测头会对更新后的查询向量进行分类和回归，分别预测目标的类别和精确边界框坐标。
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值