DERT：论文详细翻译

"DERT：论文详细翻译" 本文提出了一种新方法，将目标检测视为直接的集合预测问题，简化了检测管道，并消除了对许多手工设计组件的需要。该方法称为检测TRansformer（DETR），其主要成分是基于集合的全局损失，通过二分图匹配强制进行独特的预测，以及TRansformer编码器-解码器架构。 DETR的主要特征是将二部匹配损失和Transformer与非自回归并行解码结合在一起，这与之前的大多数直接集合预测工作不同。DETR不需要任何自定义层，因此可以在包含标准CNN和Transformer类的任何框架中轻松复制。 在具有挑战性的COCO目标检测数据集上，DETR展示了与完善的、高度优化的Faster RCNN基线相当的准确性和运行时间性能。此外，DETR易于推广，以统一的方式产生全景分割。实验表明，它明显优于有竞争力的基线。 DETR的设计特质很容易扩展到更复杂的任务。在我们的实验中，我们证明了在预训练的DETR之上训练的简单分割头在全景分割上的表现优于竞争基线，这是一项具有挑战性的像素级识别任务，最近得到了普及。 本文工作建立在几个领域的之前工作的基础上：用于集合预测的二分匹配损失，基于transformer的编码器-解码器架构，并行解码和目标检测方法。DETR的主要贡献是将检测器变成一个端到端的集合预测模型，消除了对许多手工设计组件的需要，并且可以在包含标准CNN和Transformer类的任何框架中轻松复制。 DETR的优点包括： * 简化了检测管道，消除了对许多手工设计组件的需要 * 可以在包含标准CNN和Transformer类的任何框架中轻松复制 * 显示了与完善的、高度优化的Faster RCNN基线相当的准确性和运行时间性能 * 易于推广，以统一的方式产生全景分割 * 可以扩展到更复杂的任务 DETR的缺点包括： * 在小对象上获得较低的性能 * 需要超长的训练计划 DETR是一种新颖的目标检测方法，将目标检测视为直接的集合预测问题，简化了检测管道，并消除了对许多手工设计组件的需要。其优点包括简化检测管道、可扩展性强、易于推广等。