【论文阅读】DETR (ECCV2020)|End-to-End Object Detection with Transformers

最新推荐文章于 2025-02-09 20:35:04 发布
最新推荐文章于 2025-02-09 20:35:04 发布
阅读量565 收藏 2
点赞数
分类专栏： 论文阅读
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.youkuaiyun.com/weixin_43859829/article/details/119184026
版权
DETR是Facebook AI在ECCV2020提出的一种使用Transformer架构进行端到端目标检测的方法。它摒弃了传统检测器的顺序预测，转而采用匈牙利算法解决无序集合预测问题。模型后端输出预测矩阵，通过构建并解决代价矩阵来确定最佳匹配，盒损失包括在内。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

题目：End-to-End Object Detection with Transformers
作者：Facebook AI – Nicolas Carion , Francisco Massa , Gabriel Synnaeve, Nicolas Usunier,
Alexander Kirillov, and Sergey Zagoruyko

motivation:
作者想直接预测无序集合

method：

亮点我觉得有2：
1）采用了transformer的模型架构；
2）采用匈牙利算法的无序预测；

总体结构如下图：
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

transformer 没什么好说的，匈牙利losss比较有意思：

模型后端输出（100，cls）和（100,4）的预测矩阵，
构建代价矩阵：
分别算出100个模型与N个GT模型的代价值，形[100,N]

最低0.47元/天 解锁文章
DETR:End-to-End Object Detection with Transformers
勤劳鸟儿
10-11 1742
摘要第一句话，作者就阐明了我们使用的是一种新的思想，不同于以往的目标检测算法，作者将目标检测看做成集合预测的问题。由于思想的转变，该框架实际上真正做到了端到端的预测，在当前流行的目标检测算法里面，不管是one-stage的还是two-stage的算法，难免都要有其他的处理操作，比如nms的后处理，anchor base的网络等，他们都没有做到真正的端到端（在这里，我认为端到端其实可以理解为–给定一张输入的图片，模型能够直接输出完整的结果，而不再需要其他的后续操作）。
DETR：End-to-End Object Detection with Transformers
m0_61595251的博客
11-26 1911
将目标检测看作一个集合预测的问题任务：给定一张图片，预测一组框，每个框需要得到坐标信息和包含的物体类别信息，将框可以视为集合，不同图片所对应的框不同，则所对应的集合就不同去除：NMS、生成anchor提出了一个全新的用于目标检测的DETR框架利用了Transformer和二分图匹配，使框架是一个端到端可学习网络在COCO数据集和全景分割上达到了很好的效果自注意力带来的全局信息使之在大物体上效果更好。
ECCV 2020 DETR:《End-to-End Object Detection with Transformers》
TTTree_的博客
11-03 742
最近在学这篇文章方法，先记录一下看到比较好的博客，有机会再更。 object queries : https://blog.csdn.net/u010734277/article/details/106502774 Transformer: https://baijiahao.baidu.com/s?id=1651219987457222196&wfr=spider&for=pc ...
论文阅读：DETR:End-to-End Object Detection with Transformers
qq_53086461的博客
11-30 2281
transformer 端到端目标检测 DETR
论文笔记：ECCV2020 DETR End-to-End Object Detection with Transformers
Blair_2的博客
10-28 248
参考： DETR目标检测新范式带来的思考_zandaoguang的博客-优快云博客 Propose 将transformer融入目标检测中，实现no anchor的简化操作。 Method： LOSS： DETR站在全局的视角，用二分图匹配算法（匈牙利算法）计算pred与gt之间的最佳匹配，从而实现label assignment 假设有固定N（N>物体类别数目）， 可以用Hungarian algorithm优化。 其中c为物体类别，b为bbox。 本文与其他算法的..
论文精读:detr:End-to-End Object Detection with Transformers
qq_52053775的博客
08-11 1459
我们的方法简化了检测管道，有效地消除了许多手工设计的组件的需要，如非最大抑制程序或锚定生成，显式地编码了我们对任务的先验知识。新框架的主要成分，称为DEtection TRansformer或DETR，是一个基于集合的全局损失，通过二部匹配迫使独特的预测，以及transformer encoder-decoder架构。给定一组固定的小型学习对象查询，DETR对对象和全局图像上下文之间的关系进行推理，以直接并行输出最终的预测集。与许多其他现代探测器不同，这个新模型在概念上很简单，不需要专门的库。...
2020ECCV 论文（一）End-to-End Object Detection with Transformers
qq_41821067的博客
04-07 649
ECCV是什么 ECCV的全称是European Conference on Computer Vision(欧洲计算机视觉国际会议) ，两年一次，是计算机视觉三大会议（另外两个是ICCV和CVPR）之一。每次会议在全球范围录用论文300篇左右，主要的录用论文都来自美国、欧洲等顶尖实验室及研究所，中国大陆的论文数量一般在10-20篇之间。ECCV2010的论文录取率为27%。 ECCV是一个欧洲会议，欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演
End-to-End Object Detection with Transformers
Focus
03-30 545
End-to-End Object Detection with Transformers 会议：2020 ECCV 论文：https://arxiv.org/abs/2005.12872 代码：https://github.com/facebookresearch/detr 创新点： \作者摒弃了基于anchor、NMS等这种需要手工设计的模块，和R-CNN系列、YOLO系列，以及其他anchor-free的方法都不同，减少检测器对先验性息和后处理的依赖，做到了真正的end2end。 使用类似机器翻译
【DETR】 DETR :End-to-End Object Detection with Transformers 笔记
salari的博客
03-04 2539
DETR :End-to-End Object Detection with Transformers 摘要 提出了将目标检测视作预测问题的方法 将检测pipeline流水化 bipartite matching loss 与faster rcnn在准确率和速度上相当 引言 将端到端的思想引入 transformer明确两两输入的关系，适用于删除重复预测 工作： 训练端到端损失函数双向匹配predicted和ground-truth ：matching loss function 使用并行decodin
【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 5万+
【详细解读DETR，基于transformer的目标检测网络】DETR： End-to-End Object Detection with Transformers
DETR：End to End Object Detection with Transformers
weixin_45104951的博客
09-19 2097
之前目标检测中不论proposal based的方法还是anchor based 的方法，都需要nms（非极大值抑制）等候处理的方法筛选bbox（bounding box）。由于nms的操作，调参比较复杂，而且模型部署起来也比较困难。因此，一个端到端的目标检测模型是一直以来所追求的。DERT很好的解决了上述问题，不需要proposal和anchors，利用Transformer全局建模的能力，把目标检测看成集合预测的问题。而且由于全局建模的能力，DETR不会输出太多冗余的边界框，输出直接对应最后bbox，不
图像 检测 - DETR: End-to-End Object Detection with Transformers (arXiv 2020)
77wpa的博客
08-06 2044
我们提出了一种新的方法，将目标检测视为一个直接集预测问题。我们的方法简化了检测流程，有效地消除了对许多手工设计的组件的需求，如非最大值抑制程序或锚生成，这些组件对我们关于任务的先验知识进行了明确编码。新框架称为DEtection TRansformer或DETR，其主要组成部分是基于集合的全局损失，通过二分匹配强制进行唯一预测，以及transformer 编码器-解码器架构。给定一组固定的学习目标查询，DETR对目标和全局图像上下文的关系进行推理，以直接并行输出最终的预测集。
10 DETR 论文精读【论文精读】End-to-End Object Detection with Transformers
云淡风轻_的博客
11-05 4726
把这个目标检测这个任务直接看成是一个集合预测的问题那接下来。我们就来先读一下这个摘要部分，那在摘要里作者一上来就把这篇文章干了什么事交代清楚，他们说我们这篇文章就是把这个目标检测这个任务直接看成是一个集合预测的问题。因为你本来的任务就是给定一个图片，然后你去预测一堆框，然后每个框不光要知道它的坐标，还要知道这个框里所包含的物体的类别。但是这些框其实就是一个集合，对于不同的图片来说，它里面包含的框也是不一样的，也就是说每个图片对应的那个集合也是不一样的。
ECCV2020-DETR笔记
Yiyang的专栏
10-08 973
DETR的卖点是End-to-End, 它没有复杂的后处理，把目标检测问题当作集合预测问题，直接输出框。
重读经典：《End-to-End Object Detection with Transformers》
10点43的博客
06-11 2804
DETR 论文精读【论文精读】这一次朱毅博士给大家精读的论文是 ，是目标检测领域里程碑式的一个工作，文章收录于 。 是 的缩写，使用 简化了目标检测流程，不再需要 操作，直接将目标预测看作是。这篇论文在2020年5月第一次挂到 上的时候，就引起了计算机视觉圈的强烈反响，网上很多人都觉得这篇论文应该是 的最佳论文。从20年5月到22年5月两年的时间 的引用呢就已经超过了2000，而且它的官方代码呢也有将近 9000个star。如果跟去年大火的 相比， 的官方代码到现在也只有8000个star，所
End-to-End Object Detection with Transformers 论文阅读笔记
read, note and comment papers
08-01 643
End-to-End Object Detection with Transformers 论文阅读笔记 这是ECCV2020的一篇文章，从被引程度看可以说是一篇神作了，是开创性的一篇论文，提出了一种新的end-to-end的目标检测框架。 目前的目标检测多数是非end-to-end的，因此受预设的anchor和nms的后处理等先验的影响较大。文章将目标检测任务当作一个set prediction任务（set prediction就是需要预测一个具有任意数量元素的集合的任务，比如翻译），这是不同于以往目
【详细版】DETR网络学习笔记（2020 ECCV）
最新发布
朴实无华的研究生活
02-09 1750
本文提出了一种新的目标检测方法DETR（Detection Transformer），它将目标检测视为直接集合预测问题。DETR采用了一种端到端的模型，通过结合基于集合的全局损失函数和Transformer编码器-解码器架构，直接并行输出最终的预测结果。与传统方法相比，DETR简化了检测流程，去除了许多手工设计的组件，如非极大值抑制或锚点生成。实验表明，在COCO数据集上，DETR的表现与Faster R-CNN相当，并且在大物体检测上表现更优。
Transformer驱动的端到端目标检测：ECCV 2020论文解析
在2020年的欧洲计算机视觉会议(ECCV)上，一篇名为"End-to-End Object Detection with Transformers"的论文引起了广泛关注。这篇论文针对目标检测领域的传统方法提出了创新性的解决方案，旨在解决现有算法存在的问题...
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