ML汇总（三）

Google Street View Blurring System

DETR

DETR（Detection Transformer）是Facebook于2020年提出的一种基于Transformer的端到端目标检测模型。它通过将目标检测问题视为一个集合预测问题，大大简化了传统目标检测的流程。

主要特点：
端到端架构：DETR不需要非极大值抑制（NMS）或锚框，完全通过网络进行端到端的目标检测1。
Transformer编码器-解码器架构：模型使用Transformer的编码器和解码器来处理图像特征和目标检测任务。
集合预测：通过二分匹配损失函数，DETR直接预测图像中的所有目标，而不是逐个预测。

模型结构：
CNN Backbone：用于提取图像特征。
Transformer Encoder：处理图像特征，进行全局特征提取。
Transformer Decoder：生成检测框和类别分数。
预测层（FFN）：最终生成检测结果

常用的两个阶段网络包括：R-CNN [3]，快速R-CNN [4]和FasterRCNN [5]。

常用的一阶段网络包括：Yolo [6]和SSD [7]架构。

两个阶段网络包括两个组件，它们顺序运行，因此它们通常较慢，但更准确。

以下是翻译及回答：

1. Transformer-based目标检测架构与单阶段或双阶段模型的区别，以及它们的优缺点。
   翻译：基于Transformer的目标检测架构与单阶段或双阶段模型有何不同？它们各自的优缺点是什么？
   回答：
   区别：
   架构