detr | BriefGPT - AI 论文速递

关键词detr

搜索结果 - 39

具有稳定匹配的检测变压器
探讨 DETR 中跨不同解码器层次的匹配稳定性问题，提出使用位置度量监督正样本的分类得分和集成位置度量到 DETR 的分类损失和匹配代价中的两种方法，并在 COCO 检测基准测试中验证其有效性。
PDFa year ago
CVPRLite DETR：高效的交错多尺度编码器
本文提出了 Lite DETR，一种简单而高效的端到端目标检测框架，用于减少检测头的 GFLOPs，同时保持 99％的原始性能。通过设计一种有效的编码器块，以交错的方式更新高级和低级功能，并开发了一种关键感知可变形关注机制，以更好地融合跨尺
PDFa year ago
TSRFormer：基于 Transformer 的表格结构识别
提出了一种名为 TSRFormer 的新的表格结构识别方法，使用线性回归问题而不是图像分割问题来预测表格的分隔线，并提出了新的两阶段 DETR 分隔线预测方法来直接从表图像中预测分隔线。使用新的技术后，我们的 TSRFormer 在几个基准
PDF2 years ago
增强 DETR 收敛和多尺度特征融合的语义对齐匹配
本文提出 Semantic-Aligned-Matching DETR++（SAM-DETR++）算法，通过在同一特征嵌入空间中投影对象查询和编码图像特征以便更容易地匹配具有类似语义的对象。此算法有效地融合了多尺度特征，加速了 DETR 的
PDF2 years ago
CVPR混合匹配的 DETRs
本文提出一种名为 H-DETR 的简单而有效的混合匹配方案，该方案结合了原始的 “一对一” 匹配分支和辅助的 “一对多” 匹配分支，在训练期间显著提高了准确性，同时保持了 DETR 的端到端特性和相同的推理效率。
PDF2 years ago
CVPRDETR++：驯服您的多尺度检测 Transformer
本文介绍了作者提出的一个新的检测架构 DETR++，在目标检测方面的性能上优于现有基线，并提出了一种 BiFPN 方法，最大限度地提高了多尺度特征的准确性。
PDF2 years ago
AAAI基于自我监督学习的增量式少样本物体检测
该文提出了一种使用 DETR 目标检测器的自我监督和微调来进行增量小样本物体检测的方法，在识别新类别的同时不会遗忘基础类别，并使用知识蒸馏实现增量微调。
PDF2 years ago
ECCVMTTrans: 基于 Mean-Teacher Transformer 的跨领域目标检测
提出了一种基于平均教师框架的端到端跨域检测 Transformer，该方法可以利用未标记的目标领域数据进行目标检测训练，并通过伪标签在领域之间传输知识。通过多层次特征对齐和优化迭代，实现了在三种领域适应场景下实现了最先进的性能，特别是 Si
PDF2 years ago
ECCV具有条件匹配的 Open-Vocabulary DETR
提出一种基于 DETR 模型和 Transformer 模型的开放词汇检测器 OV-DETR，该模型能够通过自然语言或示例图像输入，检测任何物体。通过在 LVIS 和 COCO 数据集上进行广泛实验，该模型证明了显著的性能提升。
PDF2 years ago
CVPR通过语义对齐匹配加速 DETR 收敛
SAM-DETR 通过解决不同特征嵌入空间中对象查询与目标特征匹配的复杂性问题，实现了语义对齐匹配，加速了收敛速度并提高了检测精度。
PDF2 years ago
DINO: 改进去噪锚框的端到端物体检测 DET-BR
本文介绍了 DINO（带有改进去噪技术和锚框选择方法的 DETR 模型），是一种最先进的端到端对象检测器，通过使用对比方式的去噪训练、混合查询选择方法的锚初始化以及两次向前的方案了来改进 DETR 模型，该模型使用 ResNet-50 的主
PDF2 years ago
CVPRDN-DETR: 引入查询去噪以加速 DETR 训练
本文提出了一种新颖的去噪训练方法，旨在加快 DETR 训练的速度并深入了解 DETR-like 方法的收敛速度缓慢的问题。除使用匈牙利损失外，本文的方法还使用含噪声的 ground-truth 边界框来训练模型，以有效降低二分图匹配难度并实
PDF2 years ago
ICLRDAB-DETR：动态锚框是 DETR 更好的查询方式
本文提出了一种使用动态锚框的新型查询公式，用于 DETR，并对查询在 DETR 中的作用提供了更深入的理解。通过在 Transformer 解码器中直接使用盒子坐标作为查询，动态地逐层更新它们，这种新公式不仅通过使用显式位置先验来提高查询与
PDF2 years ago
ICCVPnP-DETR：基于 Transformer 的高效视觉分析
本研究提出了一种新的 PnP 采样模块，将其与 transformer 模型结合，构建了一个端对端的 PnP-DETR 体系结构，从而在保证效率的同时具有更大的灵活性。
PDF3 years ago
ICCV快速训练收敛的条件 DETR
该论文介绍了一种条件交叉注意力机制，名为条件 DETR，以应对目标检测中 DETR 训练速度较慢的问题，并通过实验证明，相较于传统的 DETR，条件 DETR 在训练速度上提升了 10 倍，并可通过 https 链接获取源代码。
PDF3 years ago
ICCV空间调制共现加速 DETR 收敛
通过引入空间加权的 co-attention 机制，优化了检测元素的与自注意力计算方式，从而有效增加了 DETR 模型的训练效率。
PDF3 years ago
ICCV重新思考基于 Transformer 的集合预测在目标检测中的应用
本文讨论了 DETR 在优化过程中所面对的问题，提出了 TSP-FCOS 和 TSP-RCNN 这两种方法以解决其中与匈牙利损失和 Transformer 跨注意机制有关的问题，并证实了这两个新方法在收敛速度和检测准确度上都显著优于 DET
PDF4 years ago
ICLRDeformable DETR：可变形 Transformer 完整目标检测
Deformable DETR 提出了一种改进的 Transformer 注意力模块，只关注于围绕参考点的一小集采样点，能够更好地实现物体检测，尤其是在小物体上，并在 COCO 基准测试上得到了有效的实验结果。
PDF4 years ago
使用 Transformer 进行端到端的目标检测
该研究提出了一种新方法，将目标检测作为直接集合预测问题进行处理，主要采用基于集合的全局损失和 Transformer 编码器 - 解码器架构构建 DETR 模型，能够高效地完成目标检测和全景分割任务，相较于许多现代检测器，DETR 模型概念
PDF4 years ago