End-to-End Object Detection with Transformers (DETR) の解説 - Qiita

最近、Arxiv Sanity Preserverで上位にランクインしていた、Facebookから20/5/27に公開のObject Detection論文 DETRについて解説する。 概要 NMSやRPN等のごちゃごちゃした仕組み無しで、CNN＋Transformerの極めてシンプルな構成で真にEnd to Endな物体検出を実現する。 その上で、最近の最前線クラスの物体検出器に匹敵する性能を達成している。 （テクニカルに色々してるが、新規性は従来のRNNをTransformerに置き換えている所） このシンプルな構成のおかげで拡張が容易で、この論文ではDETR物体検出器をSegmentationタスクにも拡張し、SOTA級のアーキテクチャを上回る性能を叩き出している。 NMSをなくして、Transformer化に至るまでの背景 現在よく使われてる物体検出器では、処理の途中過程にあるNM

[sh19910711]

"DETR: CNN＋Transformer + End to Endな物体検出 + ハンガリアン法で一意かつ適切な対応付け / object query（学習値）とspatial positional encoding（固定値）の両方を場所毎に使い分けることで精度を上げている" 2020