【商汤科技】可变形Transformers端到端对象检测,Deformable DETR

2020 年 10 月 11 日 专知

最近提出的DETR,以消除在目标检测中许多手工设计的组件的需要,同时显示良好的性能。 但由于Transformer注意模块在处理图像特征图时的局限性,导致收敛速度慢,特征空间分辨率有限。 为了减轻这些问题,我们提出了可变形的DETR,其注意力模块只关注参考点周围的一小组关键采样点。 可变形的DETR比DETR(特别是在小物体上)可以获得更好的性能,训练周期少10个。 在COCO数据集上的大量实验证明了我们的方法的有效性。


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“DDETR” 可以获取《【商汤科技】可变形Transformers端到端对象检测,Deformable DETR: Deformable Transformers for End-to-End Object Detection》专知下载链接索引

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
18

相关内容

TR:IEEE Transactions on Robotics Explanation: Publisher:IEEE。 SIT: http://dblp.uni-trier.de/db/journals/trob/
【ACMMM2020】零样本语义分割的上下文感知特征生成
专知会员服务
15+阅读 · 2020年8月21日
【Google-CMU】元伪标签的元学习,Meta Pseudo Labels
专知会员服务
31+阅读 · 2020年3月30日
【ICLR-2020】网络反卷积,NETWORK DECONVOLUTION
专知会员服务
38+阅读 · 2020年2月21日
【旷视出品】细粒度图像分析综述
专知
15+阅读 · 2019年7月11日
Object Detection in 20 Years: A Survey
Arxiv
48+阅读 · 2019年5月13日
Deep Learning for Generic Object Detection: A Survey
Arxiv
13+阅读 · 2018年9月6日
Arxiv
5+阅读 · 2018年4月17日
Arxiv
3+阅读 · 2018年3月14日
Arxiv
7+阅读 · 2018年1月24日
VIP会员
相关VIP内容
【ACMMM2020】零样本语义分割的上下文感知特征生成
专知会员服务
15+阅读 · 2020年8月21日
【Google-CMU】元伪标签的元学习,Meta Pseudo Labels
专知会员服务
31+阅读 · 2020年3月30日
【ICLR-2020】网络反卷积,NETWORK DECONVOLUTION
专知会员服务
38+阅读 · 2020年2月21日
Top
微信扫码咨询专知VIP会员