IDEA的DINO，DETR的变体，用于目标检测

已于 2023-12-18 18:14:21 修改
阅读量468 收藏 10
点赞数 7
文章标签： 目标检测
于 2023-12-13 19:01:14 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/weixin_41012399/article/details/134979627
版权

参考：https://blog.csdn.net/qq_54185421/article/details/125949343
代码：https://github.com/IDEA-Research/DINO

/usr/src/tensorrt/bin/trtexec --onnx=yolov5AllobjectDetectLittlev2.0.onnx --minShapes=images:1x3x320x320 --optShapes=images:8x3x320x320 --maxShapes=images:32x3x320x320 --workspace=4096 --saveEngine=yolov5AllobjectDetectLittlev2.0.engine --shapes=images:1x3x320x320 --verbose > result-FP32.txt

cv-daily
关注
【CVPR 2022】目标检测SOTA：DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection
梁瑛平的博客
06-30 1725
本文提出了DINO（DETR with Improved deNoising anchOr boxes）使用 ResNet50 作为主干网络能够在 COCO 训练 12 轮能达到 48.3 mAP，36 轮能达到 51.0 mAP。与排行榜上的其他模型相比，DINO显著减少了模型大小和训练前的数据大小，同时取得了更好的结果。...
【目标检测】《DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection》论文阅读笔记
聿默的博客
03-09 9840
论文地址：https://arxiv.org/pdf/2203.03605v1.pdf
论文精读 && Co-DETR（Co-DINO、Co-Deformable-DETR）
Flying Bulldog 的博客
12-01 4278
1. Co-DETR基于DAB-DETR、Deformable-DETR和DINO网络进行了实验。2. Co-DETR发现DETR及其变体网络是一对一标签分配，指出了其中的问题，随之提出一对多标签分配监督多个并行辅助头的方法。3. 为了提高解码器中正样本（positive samples）的训练效率，Co-DETR从辅助头中提取正坐标（positive coordinates）来进行额外定制的正查询（positive queries）。4. 辅助头只在训练过程中使用，推断过程中被丢弃，只使用源网络进行推断。
DINO：一种新的端到端目标检测器(速读版)
weixin_51697828的博客
08-26 2993
在本文中，我们提出了一种强大的端到端Transformer检测器DINO，借助contrastive denoising training、mixed query selection、look forward twice方法，大大提高了模型的训练效率和检测性能。我们进一步尝试在更大的数据集上用更强的骨干网络训练DINO，并在COCO 2017 test-dev数据集上达到了新的SOTA水平，63.3 AP。...
【计算机视觉】DINOv2（视觉大模型）代码使用和测试（完整的源代码）
wzk4869的博客
07-19 8815
【计算机视觉】DINOv2（视觉大模型）代码使用和测试（完整的源代码）
DINO-DETR论文学习记录
pengxiang1998的博客
03-23 2095
我们介绍了DINO（带有改进的去噪器box的DETR），一种最先进的端到端对象检测器。DINO 通过使用对比方式进行去噪训练、混合查询选择方法进行锚点初始化以及用于框预测的ook forward twice方案，在性能和效率方面比以前的类似 DETR 模型有所改进。DINO在COCO上实现了12个时期的49.4AP，在24个时期内实现了51.3AP，具有ResNet-50骨干和多尺度特征，与之前最好的类似DETR的模型DN-DETR相比，分别产生了+6.0AP和+2.7AP的显着改善。
基于Transformer的经典目标检测之DETR
Warmer_Sweeter
03-13 1197
背景DETR，即DEtection TRansformer，是由尼古拉斯·卡里翁及其团队于2020年在Facebook AI Research首次提出的，它在目标检测领域开创了一种新的波潮。虽然目前并未保持最先进（State Of The Art）的地位，但DETR对目标检测任务的创新重新定义显著影响了后续的模型，例如CO-DETR，它是当前LVIS上目标检测和实例分割的最先进技术。摆脱传统的一对...
DINO-DETR
libo-coder
06-22 751
原始的 DETR 使用全零初始化 object query，导致模型优化困难，而 Anchor DETR 采用了 anchor points 来编码形成 object query，保证每个 query 关注 points 附近的特征，相当于为 querys 提供了明确的优化方向。PnP-DETR（ICCV 2021） 改进了 DETR 计算量大的问题，利用提出的 poll and pool（PnP）采样模块在图像特征上自适应的采样不同粒度的特征，从而实现计算量和性能的折衷。
DETR系列文章之–DINO
weixin_43731232的博客
05-21 817
论文下载源码下载csdn解读DAB让我们意识到query的重要性，那么如何学到更好的或者初始化更好的query？DAB-DETR是在思考DETR query理解的问题。它直接把DETR的positional query显示地建模为四维的框(x,y,w,h)，同时每一层decoder中都会去预测相对偏移量并去更新检测框，得到一个更加精确的检测框预测，动态更新这个检测框并用它来帮助decoder cross-attention来抽取feature。DN引入了去噪训练来稳定标签分配，如何进一步优化标签分配？
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 8747
详解百度RT-DETR
DINO 论文精度，并解析其模型结构 & DETR 的变体
热门推荐
Flying Bulldog 的博客
07-25 2万+
截止2022年7月25日，DINO是目标检测的SOTA。本人根据源码的复现感受和DINO论文的精读心得，撰写本篇博客，希望对你有所帮助。DINO(DETR with Improved deNoising anchOr boxes)，一款最先进的端到端对象检测器。对比的去噪训练方式；用于锚点初始化的混合查询选择方法；用于框预测的向前两次方案；本文章会对以上三种创新方法逐点击破。使用ResNet-50主干和多尺度特征，DINO在12个epoch获得49.4AP，在24个epoch获得51.3AP（收敛极快！）.
【计算机视觉】DETR 系列的最新综述！
wzk4869的博客
07-04 4408
【计算机视觉】DETR 系列的最新综述！
DEFORMABLE DETR: DEFORMABLE TRANSFORMERS FOR END-TO-END OBJECT DETECTION——用于端到端物体检测的可变形注意力机制
ADICDFHL的博客
09-26 364
原文链接：https://arxiv.org/pdf/2010.04159.pdf 0.摘要 1.引言 2.相关工作 3.回顾Transformers和DETR 4.方法 4.1.用于端到端的可变性注意力机制 4.2.关于Deformable DETR模型的补充改进和变体 5.实验 5.1.与DETR的比较 5.2.关于可变形注意力的消融研究 5.3.与当前主流方法的比较 6.结论 7.参考文献
MS-DETR: Efficient DETR Training with Mixed Supervision论文学习笔记
athrunsunny的博客
01-15 1586
DETR 通过迭代生成多个基于图像特征的目标候选者，并为每个真实目标分配一个候选者，从而实现端到端的目标检测。在原始DETR中使用一对一监督的传统训练方法缺乏对检测候选者的直接监督。作者旨在通过明确监督候选生成过程，将一对一监督和多对多监督混合，来提高DETR训练效率。MS-DETR简单地将多对多监督应用到用于推理的主要解码器（primary decoder）object query 上。
MS-DETR论文解读
weixin_38252409的博客
01-10 1163
今天，偶然看到MS-DETR论文，以为又有什么高逼格论文诞生了。于是，我想查看一番，改论文讨论原始DETR中使用一对一监督的传统训练过程缺乏对对象检测候选者的直接监督。本文旨在通过混合一对一监督和一对多监督来明确监督候选生成过程，从而提高DETR训练效率。本文最主要贡献在解码decoder实现行一对多监督。实验结果表明，我们的方法优于相关的DETR变体，如DN-DETR、Hybrid DETR和Group DETR，并且与相关DETR变体的组合进一步提高了性能。本博客将带领读者共同探讨此文章。
DINO代码分析-自监督学习
weixin_42602974的博客
01-19 3060
DINO自监督学习代码详解
端到端目标检测DINO: COCO屠榜的正确姿势
m0_63642362的博客
02-03 1958
抢先体验PaddleDetection最新发布高精度端到端目标检测模型DINO，其大模型在MS COCO2017测试集上AP达到63.3！
AI嵌入式开发 ---- pt模型文件 -＞ ONNX模型 -＞ rknn模型 -＞ 部署到RK3588开发板上(以yolov5为例)
最新发布
xinxin的博客
08-27 960
1.将pt模型使用yolov5工程中的 export.py 转换为 onnx 模型；2.将 onnx 模型使用 rknn-toolkit2 中 onnx 文件夹的 test.py 转换为 rknn 模型；3.在板子上部署 rknn 模型，实现 NPU 推理加速。
TensorRT加速Deformable Detr实践
blanokvaffy的博客
11-26 2429
这让TensorRT便捷实现加速Deformable Detr乃至今年（2022年）最新的DETR类sota模型DINO、Mask DINO成为了可能。查了一下当前网络上并没有关于Deformable Detr 的TensorRT加速的实现方法，可能大佬们都觉的太简单没有必要吧，于是就自己写了一版方便大家使用。对于低于8.4.1.5的TensorRT版本，也可以选择把官方的插件自己编译到旧版本上。库，没有使用官方的原版。自TensorRT 8.4.1.5发布以来，惊喜的发现TensorRT官方实现了。
DINO目标检测代码
07-03
DINO（Detr with no labels）是一个基于Transformer架构的目标检测模型，由Facebook Research团队开发。这个模型主要是在无监督学习的环境下训练的，也就是说，它不需要像传统的监督学习目标检测方法那样依赖大量的...
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
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