.png){kind=icon}
返回
Object Detection with Transformers: A Review
.png){kind=icon}
OA
AI
DOI：10.3390/s25196025.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
变换器在自然语言处理（NLP）中惊人的性能，已激励研究人员探索其在计算机视觉任务中的应用。检测变换器（DETR）通过将检测重新表述为集合预测问题，将变换器引入目标检测任务。因此，它消除了生成候选框和后处理步骤的必要性。尽管性能具有竞争力，DETR最初仍存在收敛缓慢和小目标检测效果不佳的问题。然而，已提出多项改进以解决这些问题，并取得显著提升，使DETR达到当前最优性能。据我们所知，本文是首次对25项近期DETR进展进行综合评述的论文。我们深入探讨了DETR的基础模块及其近期增强，例如骨干网络结构修改、查询设计策略以及注意力机制优化。此外，我们对各类检测变换器进行了比较分析，评估了其性能和网络架构。本研究旨在鼓励进一步研究以应对现有挑战，并探索变换器在目标检测领域的应用。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Shehzadi, T.; Hashmi, K.A.; Stricker, D.; Liwicki, M.; Afzal, M.Z. Bridging the Performance Gap between DETR and R-CNN for Graphical Object Detection in Document Images. arXiv 2023, arXiv:2306.13526. [Google Scholar] [CrossRef]Shehzadi, T.; Hashmi, K.A.; Stricker, D.; Liwicki, M.; Afzal, M.Z. 消弭DETR与R-CNN在文档图像图形目标检测中性能差距的方法。arXiv 2023, arXiv:2306.13526. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Liang, M.; Yang, B.; Wang, S.; Urtasun, R. Deep Continuous Fusion for Multi-Sensor 3D Object Detection. arXiv 2020, arXiv:2012.10992. [Google Scholar] [CrossRef]梁, M.; 杨, B.; 王, S.; Urtasun, R. 深度连续融合用于多传感器3D目标检测. arXiv 2020, arXiv:2012.10992. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容