【要約】Transformerを用いた物体検出モデル「End-to-End Object Detection with Transformers」 - Qiita

はじめに 「End-to-End Object Detection with Transformers」(DETR) が気になったので、論文を読んで少し動作確認もしてみました。簡潔に記録として残しておきます。 [論文, Github] DETRとは（要約） ・Facebook AI Researchが今年5月に公開したモデル ・自然言語処理分野で有名なTransformerを初めて物体検出に活用 ・下図のように、CNN + Transformerのシンプルなネットワーク構成 ・NMSやAnchorBoxのデフォルト値等、人手による調整が必要な部分を排除し「End-to-End」な物体検出を実現 ・上記を実現するためのポイントとして、"Bipartite Matching Loss"と"Parallel Decoding"の効果を主張 ・物体検出だけでなく、セグメンテーションタスクへも適用可