重新实现DETR：使用变压器进行端到端对象检测 这是Carion，Nicolas等人的重新实现。 在Facebook AI Research。 该代码基于本文，其官方以及它们提供的示例笔记本。 重新实现的目的是在过程中重新创建和理解模型，同时简化一些代码，以使可读性和简单性优先于效率和功能。

DE⫶TR ：使用变压器进行端到端物体检测 PyTorch的DETR （ DE tection TR ansformer）训练代码和预训练模型。 我们用变压器代替了整个复杂的手工物体检测管道，并用ResNet-50匹配了Faster R-CNN，使用一半的计算能力（FLOP）和相同数量的参数在COCO上获得了42个AP 。 在PyTorch的50行中进行推断。 这是什么。 与传统的计算机视觉技术不同，DETR将对象检测作为直接设置的预测问题。 它由基于集合的全局损耗（通过二分匹配强制唯一预测）

大事记 自然语言处理 神经网络的序列到序列学习[NIPS 2014] [] [] 端到端存储网络[NIPS 2015] [] [] 注意就是您所需要的[NIPS 2017] [] [] 乙idirectionalËncoderř对产权在T ransformers：BERT [] [] [] 改革者：高效变压器[ICLR2020] [] [] Linformer：具有线性复杂度的自我注意[AAAI2020] [] [] 简历 分类 图像价值16x16字：用于图像识别的变压器[VIT] [