深度学习论文: DEIM: DETR with Improved Matching for Fast Convergence

最新推荐文章于 2025-03-06 21:44:46 发布
最新推荐文章于 2025-03-06 21:44:46 发布
阅读量589 收藏 1
点赞数 13
分类专栏： Paper Reading Object Detection 文章标签： 深度学习 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/shanglianlm/article/details/144708154
版权

深度学习论文: DEIM: DETR with Improved Matching for Fast Convergence
DEIM: DETR with Improved Matching for Fast Convergence
PDF:https://arxiv.org/abs/2412.04234
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

1 概述

在这里插入图片描述
目标检测在自动驾驶和机器人导航等领域至关重要，而YOLO因其速度快和准确性高而成为主流的实时检测工具。然而，YOLO的一对多锚点策略会导致多个重叠的边界框，需要非极大值抑制（NMS）来减少冗余，这增加了计算延迟和不稳定性。

DETR

了解本专栏 订阅专栏 解锁全文 超级会员免费看
目标检测论文：FCOS: Fully Convolutional One-Stage Object Detection及其PyTorch实现
mingo_敏
09-16 1万+
一阶段，没有anchor，没有proposal，内存占用少的目标检测算法。 1 概述 本文创新点： 使用语义分割的思想来解决目标检测问题； 摒弃了目标检测中常见的anchor boxes和object proposal，使得不需要调优涉及anchor boxes和object proposal的超参数（hyper-parameters）； 训练过程中避免大量计算GT boxes和ancho...
超越DFINE最新目标检测SOTA模型DEIM
sexy19910923的博客
12-09 2161
DEIM 通过采用密集的一对一（Dense O2O）匹配策略和提出一种新颖的损失函数 Matchability-Aware Loss (MAL)，来增加每张图片中的正样本数量，优化不同质量水平的匹配效果。在 COCO 数据集上的广泛实验验证了 DEIM 的有效性。与 RT-DETR 和 D-FINE 集成时，DEIM 能显著提升性能并减少50%的训练时间。搭配 RT-DETRv2 使用时，DEIM 在 NVIDIA 4090 GPU 上仅用一天训练就达到了 53.2% AP。
DEIM: DETR with Improved Matching for Fast Convergence——具有改进匹配的DETR，用于快速收敛
Together_CZ的博客
12-31 1730
DEIM: DETR with Improved Matching for Fast Convergence——具有改进匹配的DETR，用于快速收敛
【目标检测】【CVPR 2025】DEIM：具有改进匹配机制的DETR以实现快速收敛
weixin_44184852的博客
03-06 2921
我们介绍了DEIM，这是一种创新且高效的训练框架，旨在加速基于Transformer架构（DETR）的实时目标检测的收敛速度。为了缓解DETR模型中一对一（O2O）匹配固有的稀疏监督问题，DEIM采用了密集O2O匹配策略。该方法通过引入额外目标并使用标准数据增强技术，增加了每张图像的正样本数量。虽然密集O2O匹配加快了收敛速度，但也引入了大量低质量匹配，可能影响性能。为了解决这一问题，我们提出了可匹配性感知损失（MAL），这是一种新颖的损失函数，能够优化不同质量水平的匹配，从而增强密集O2O的有效性。
【超详细】DEIM：最强实时目标检测算法-Visdrone2019无人机数据集实战
weixin_45679938的博客
01-09 6729
VisDrone数据集是由天津大学等团队开源的一个大型无人机视角的数据集，官方提供的数据中训练集是6471、验证集是548、测试集1610张。数据集共提供了以下12个类，分别是：‘忽略区域’, ‘pedestrian’, ‘people’, ‘bicycle’, ‘car’, ‘van’,‘truck’, ‘tricycle’, ‘awning-tricycle’, ‘bus’, ‘motor’, ‘others’，其中忽略区域、others是非有效目标区域，本项目中予以忽略，
DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection论文笔记
Zssss12的博客
10-07 1582
我们提出了DINO (DETR with improved deNoising anchOr box)，这是一种最先进的端到端对象检测器。DINO通过使用对比方法进行去噪训练、使用混合query选择方法进行anchor初始化，和两次前向的box预测方案，提高了以前类似DETR的模型性能和效率。DINO在COCO上使用ResNet-50骨干网和多尺度特征在12个epoch后达到了49.4AP在24个epoch达到了51.3AP，比之前的最佳类DETR模型DN-DETR分别提高了+6.0AP和+2.7AP。
极市平台 | 超越YOLO11和D-FINE！DEIM：最强实时目标检测算法
csdn_xmj的博客
12-24 2311
本文介绍了一种改进的DETR目标检测框架DEIM，通过增加正样本数量和优化匹配质量的损失函数，显著加快了DETR模型的收敛速度，并在多个数据集上提升了性能，成为当前最优的实时目标检测方案。DEIM通过Dense O2O和MAL两项技术改进，解决了DETR在监督信号和匹配质量上的不足，使其在实时目标检测领域的表现超越了YOLO系列模型。
""" DEIM: DETR with Improved Matching for Fast Convergence Copyright (c) 2024 The DEIM Authors. All Rights Reserved. --------------------------------------------------------------------------------- Modified from D-FINE (https://github.com/Peterande/D-FINE) Copyright (c) 2024 D-FINE authors. All Rights Reserved. """ import torch import torch.utils.data as data import torch.nn.functional as F from torch.utils.data import default_collate import torchvision import torchvision.transforms.v2 as VT from torchvision.transforms.v2 import functional as VF, InterpolationMode import random from functools import partial from ..core import register torchvision.disable_beta_transforms_warning() from copy import deepcopy from PIL import Image, ImageDraw import os import numpy as np __all__ = [ 'DataLoader', 'BaseCollateFunction', 'BatchImageCollateFunction', 'batch_image_collate_fn' ] @register() class DataLoader(data.DataLoader): __inject__ = ['dataset', 'collate_fn']
最新发布
04-11
好的，我需要回答用户关于DEIM项目中DataLoader类的实现细节，以及它与PyTorch和torchvision的关系。首先，我需要回顾用户提供的引用内容，看看是否有相关的信息。 根据引用[1]，项目依赖包括torch和torchvision，...
Carrusel3D:Carrusel deimágenessencillo con CSS
03-21
Carrusel3D Carrusel deimágenessencillo con CSS :backhand_index_pointing_right: 。 :check_mark_button:评论： 。
目标检测SOTA模型DEIM详解
weixin_44711102的博客
01-07 1191
DEIM这篇文章给出了两个即插即用模块，能够帮助做DETR实验的炼丹师们提点。
修改yolov5的输入图像尺寸为指定尺寸
热门推荐
mingo_敏
04-12 3万+
yolov5支持两种训练方式： 加入指定输入img-size为640 square (w==h) 如 输入为 [b, c, 640, 640], 可以使用mosic数据增强方式增强图像 rect(scale): 如 输入为 [b, c, 640, 512], 其中512为短边放缩以后的尺寸（补充到32的倍数） 但是不支持mosic数据增强方式 但是有的时候在实际项目使用中，可能会涉及到需要同时指定输入图像的长和宽，因为对yolov5代码做一些修改以适应于项目需求。 修改后的代码如下： ....
yolov5中关闭wandb
mingo_敏
04-01 1万+
在 utils/wandb_logging/wandb_utils.py try: import wandb from wandb import init, finish except ImportError: wandb = None 后面添加 wandb = None 就可以关掉讨人厌的wandb了，哈哈哈哈哈哈哈哈！
yolov5中的Rectangular training和Rectangular inference
mingo_敏
12-01 9200
Rectangular training Rectangular inference Square Inference Rectangular Inference 参考：https://github.com/ultralytics/yolov3/issues/232
YOLOv5 vs YOLOv8
mingo_敏
06-20 9106
YOLOv5 N/S/M/L/X 骨干网络的通道数设置使用同一套缩放系数；YOLOv8 N/S/M/L/X 骨干网络的通道数设置不一样，使用不同的缩放系数。YOLOv7 网络设计也采用类似的方式作用于所有模型。
深度学习论文: Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions及其PyTorch实现
mingo_敏
12-18 7854
深度学习论文: Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions及其PyTorch实现 Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions PDF: https://arxiv.org/pdf/2112.08088.pdf PyTorch代码: https://github.com/shanglianlm0525/CvPytor
深度学习论文: SFPN: Synthetic FPN for Object Detection及其PyTorch实现
mingo_敏
03-09 6578
深度学习论文: SFPN: Synthetic FPN for Object Detection及其PyTorch实现 SFPN: Synthetic FPN for Object Detection PDF: https://arxiv.org/pdf/2203.02445.pdf PyTorch代码: https://github.com/shanglianlm0525/CvPytorch PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Net
评论
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

打赏作者

mingo_敏

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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