End-to-End Object Detection with Transformers 论文解读笔记

最新推荐文章于 2024-11-02 15:22:06 发布
最新推荐文章于 2024-11-02 15:22:06 发布
阅读量222 收藏 1
点赞数
文章标签： 目标检测 笔记 人工智能
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/qq_50199113/article/details/131500178
版权
该文介绍了一种基于Transformer的简单对象检测方法。首先，CNN用于生成图像特征编码，然后Transformer处理这些特征以输出识别框和对象类型。二分匹配损失解决重复检测问题，固定最大输出量并使用匈牙利算法进行最佳匹配。Transformer利用注意力机制聚合信息，提供精确的包围盒预测，尤其在处理遮挡情况时表现优越。
摘要由CSDN通过智能技术生成

（由于是视频解读的学习，所以草稿很多）

视频来源：https://www.youtube.com/watch?v=T35ba_VXkMY

简介：对象检测指的是检测图像中对象的位置和类型。而本文提出了一种简单的Transformer框架来解决对象检测的问题。

首先，图像通过CNN产生一系列的图像特征编码。通过CNN，图像的尺寸被压缩，但是特征通道数被增加。之后，图像特征被输入到transformer中，并输出一系列识别框的包围盒和框内对象的类型（包含空类型）组成的对。

 

对象的结构如下草图所示：首先是存在概率c，即该识别框存在的概率；当概率为0时，这个输出被视为空，即无效识别框。其次则是包围框的位置和大小b。

二分匹配

输出框的位置，大小都是问题，本文通过一个bipartitl matching loss来解决这个问题，即二分匹配损失。这可以有效

最低0.47元/天 解锁文章
寒雪zhi冬
关注
[DETR] End-to-End Object Detection with Transformers (ECCV. 2020 oral）代码笔记
Ah丶Weii
12-08 1529
End-to-End Object Detection with Transformers 文章目录End-to-End Object Detection with Transformers网络结构detr/models/detr.pydetr/models/backbone.py 论文:https://arxiv.org/pdf/2005.12872.pdf 代码:https://github.com/facebookresearch/detr 网络结构 detr/models/detr.py 代码
DETR: End-to-End Object Detection with Transformers快速介绍
weixin_41620490的博客
04-27 736
文章直接使用了transformer结构来做目标检测，流程如下图像（[B, 3, 800, 1066]）经过CNN(可以为resnet-50）卷积，得到特征图([B, 256, 25, 34])图像位置编码，可以是learned positional encoding，也可以是基于sin/cos函数的 【B, 256, 25,34】特征图+位置编码建立nn.transformer(d_model), 这里的d_model为25*34。
Transformer模型详解（图解史上最完整版）
Trisyp的博客
02-24 2607
Transformer模型详解
【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
论文阅读笔记：End-to-End Object Detection with Transformers
HollowKnightz的博客
01-20 2651
论文阅读笔记：End-to-End Object Detection with Transformers
End-to-End Object Detection with Transformers论文笔记
m0_46599997的博客
10-15 463
原文链接：https://arxiv.org/pdf/2005.12872v3.pdf 2020年发表在ECCV上 摘要 将目标检测看作直接集合预测问题。 优点：简化了解决方案，有效的消除了许多手工设计组件的需要，如非极大值抑制步骤或锚框生成。 明确编码关于任务的先验知识。 新框架的主要组成部分被称为DEtection TRansformer(DETR)，是一个基于集的全局损失，通过二部匹配和transformer编码器-解码器结构，强制进行唯一预测。 给出一个固定的小的学习过的目标查询集，DETR推理.
【DETR 论文笔记】 End-to-End Object Detection with Transformers
LarsGyonX的博客
10-19 1008
Two ingredients are essential for direct set predictions in detection: (1) a set prediction loss that forces unique matching between predicted and ground truth boxes; (2) an architecture that predicts (in a single pass) a set of objects and models their
HOTR: End-to-End Human-Object Interaction Detection with Transformers论文阅读笔记
weixin_59340037的博客
03-18 1312
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、本文的内容二、研究方法1.detection as set prediction2.HOTR 结构训练HOTR欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UM.
End-to-End Object Detection with Transformers的部分解读
maum61的专栏
06-24 490
Transformer+Detection：引入视觉领域的首创DETR 也没有精力看原文了，直接看了博客： https://mp.weixin.qq.com/s?__biz=MzI5MDUyMDIxNA==&mid=2247531914&idx=1&sn=3b8d0b4d3821c64e9051a4d645467995&chksm=ec1c9073db6b1965d69cdd29d40d51b0148121135e0e73030d099f23deb2ff58fa45585
【DETR 论文解读】End-to-End Object Detection with Transformer
qq_38253797的博客
10-21 5247
DETR
DETR阅读笔记和源码理解：End-to-End Object Detection with Transformers
lovep1的博客
04-06 1838
paper：https://arxiv.org/pdf/2005.12872.pdf code：https://github.com/facebookresearch/detr 近年，transformer开始大量从NLP引入计算机视觉，使得很多工作有了新的方向，本篇paper是第一篇端到端的将transformer引入目标检测和全景分割的工作，我对这个领域也没有那么熟悉，算是一起扫盲了，如果有新的idea，可以尝试复现一波，本文将按照paper的结构进行叙述（本篇paper解读只是占个坑，我对DETR
DETR论文笔记 End-to-End Object Detection with Transformers
char256
06-02 4725
文章目录摘要模型大致结构损失函数模型结构为什么有用 摘要 论文：End-to-End Object Detection with Transformers DETR是一个使用transformer进行目标检测的一篇论文。它的亮点在将transformer应用到了视觉任务，将NLP和CV任务之间打通了。DETR实现非常简单，不需要像faster-rcnn一样设计很复杂的结构，而且可以达到和faster-rcnn差不多的结果。 模型大致结构 模型的结构主要是两部分，首先是CNN的图片特征提取部分，然后是tra
从理论支撑到具体应用，万字长文详述 CV 中 Transformer 的广阔天地
BAAIBeijing的博客
01-27 1594
写在前面——自 2017 年 Transformer 技术出现以来，便在 NLP、CV、语音、生物、化学等领域引起了诸多进展。知源月旦团队期望通过“Transformer+X” 梳理清 ...
嵌入式通信协议：UART简明学习笔记
weixin_73867577的博客
10-31 735
学习UART串口的简明学习笔记
[自用，更新自day5]瑞吉外卖代码及笔记
lapiii的博客
11-01 612
当使用ThreadLocal维护变量时，ThreadLocal为每个使用该变量的线程提供独立的变量副本，所以每一个线程都可以独立地改变自己的副本，而不会影响其它线程所对应的副本。Mybatis Plus公共字段自动填充，也就是在插入或者更新的时候为指定字段赋予指定的值，使用它的好处就是可以统一对这些字段进行处理，避免了重复代码。因为在分页查询的Dish的records(菜品记录中)，只有这个菜品所属的categoryId，但是我们需要分页的时候展示的是菜品名字。
【Rust笔记】Rocket实现自定义的Responder
哈哈哈哈哈哈哈
10-29 458
在Java项目中，我们通常会将响应包装一层来实现统一响应格式，在Rocket中，我们也可以通过实现Responder来返回统一的响应。
嵌入式通信协议：MODBUS简明学习笔记
最新发布
weixin_73867577的博客
11-02 151
学习Modbus的简明学习笔记
点云学习笔记3——读取点云文件、进行统计滤波/直通滤波后可视化
qq_64095888的博客
10-29 195
【代码】点云学习笔记3——读取点云文件、进行统计滤波后可视化。
diffusion model 学习笔记
wubing's 博客
11-01 812
郎之万公式: 描述了粒子做随机布朗运动 (粒子位置随时间变化的关系), 是一种 SDE, 描述了 由梯度力(即.即我们在无条件模型 DDPM 估计的噪声中添加一个微小的扰动(. 基本上,在采样一半时,基本上预测的。输出的是噪声的估计, 这个估计的噪声。通过上面的公式，我们可以知道，当知道。),就可以作为条件模型的噪声估计.首先,假设我们已经有了一个训练好的。: 每一步中保留的原始信号的比例。的计算有各种不同的方法，). 已经接近于真实的。)影响的系统的时间演化.也就是,我们训练的网络。
参考文献格式end-to-end object detection with transformers
01-02
《end-to-end object detection with transformers》是关于使用transformers进行端到端目标检测的一篇参考文献。目标检测是计算机视觉领域的一个重要任务，旨在从图像或视频中识别和定位出物体的位置与类别。传统的...
评论 1
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