基於Transformer 的目標檢測算法研究

陳華鋒

基於Transformer 的目標檢測算法研究
  • 出版商: 化學工業
  • 出版日期: 2026-08-01
  • 售價: $594
  • 語言: 簡體中文
  • 頁數: 134
  • ISBN: 7122515370
  • ISBN-13: 9787122515377
  • 相關分類: Computer Vision

    • 下單後立即進貨 (約4週~6週)

相關主題

商品描述

基於Transformer的目標檢測方法,利用Transformer框架的註意力機制來處理目標檢測任務,通過端到端的集合預測簡化傳統目標檢測流程。DETR算法首先引入Transformer進行目標檢測,它消除了對非極大值抑制和錨框等人工模塊的依賴,但還存在訓練收斂速度慢、對小微目標檢測準確率下降等問題。
本書系統梳理基於Transformer的目標檢測算法發展歷程和主要創新技術,圍繞端到端的目標檢測流程展開深入研究。首先分析了DETR 算法運行核心機理及其訓練瓶頸,然後分別介紹了WB-DETR、Dynamic-DETR等改進方法,通過實驗驗證了無骨幹網絡設計與動態註意力機制對目標檢測準確率的提升作用。本書還分析了FP-DETR、CF-DETR 等目標檢測模型的預訓練策略、粗到精建模等方法。
本書既註重理論分析,也強調工程實踐,適合作為高等院校人工智能、計算機科學與技術、智能科學與技術等相關專業本科高年級學生和研究生的參考資料,也可供從事計算機視覺、模式識別、人工智能以及智能制造等領域的科研人員、工程技術人員和企業研發人員學習參考。對於希望深入理解Transformer目標檢測技術、開展相關科研工作的讀者,本書亦具有較好的借鑒價值。

目錄大綱

第1章　緒論　∥　001
1.1　研究背景 001
1.2　視覺目標檢測與Transformer 006
1.2.1 目標檢測 006
1.2.2 用於分割的Transformer模型 007
1.2.3 用於場景與圖像生成的Transformer模型 007
1.2.4 用於低級視覺的Transformer模型 007
1.2.5 用於多模態任務的Transformer模型 007
1.3　研究內容 008

第2章　基於Transformer 的端到端目標檢測　∥　010
2.1　引言 010
2.2　相關研究工作 011
2.2.1 目標檢測集合預測 012
2.2.2 Transformer與並行解碼 012
2.2.3 目標檢測 013
2.3　DETR 模型 013
2.3.1 目標檢測集合預測損失 014
2.3.2 DETR體系結構 015
2.4　實驗結果分析 017
2.4.1 DETR與Faster R-CNN和RetinaNet比較 019
2.4.2 消融分析 019
2.4.3 全景分割的DETR算法分析 023
2.5　本章小結 025

第3章　基於動態註意力的Transformer 目標檢測　∥　026
3.1　引言 026
3.2　相關研究工作 027
3.3　Dynamic-DETR 029
3.3.1 原始DETR 029
3.3.2 動態編碼器 030
3.3.3 動態解碼器 032
3.4　實驗結果 033
3.4.1 實驗設置 033
3.4.2 消融分析 034
3.4.3 與前沿算法比較 036
3.4.4 可視化分析 037
3.5　本章小結 038

第4章　基於完全預訓練的Transformer 目標檢測　∥　039
4.1　引言 039
4.2　相關研究工作 040
4.3　FP-DETR 算法 042
4.3.1 基本Transformer目標檢測算法 042
4.3.2 預訓練方法 042
4.3.3 調優方法 044
4.4　實驗結果 046
4.4.1 實現細節 046
4.4.2 與前沿算法比較 047
4.4.3 FP-DETR消融分析 048
4.4.4 對一般幹擾的魯棒性 049
4.4.5 小規模數據集泛化能力分析 051
4.5　本章小結 052

第5章　基於逐層優化的Transformer 目標檢測　∥　053
5.1　引言 053
5.2　相關研究工作 056
5.2.1 一階段與兩階段目標檢測算法 056
5.2.2 端到端的目標檢測算法 057
5.3　CF-DETR 算法 057
5.3.1 算法整體框架 057
5.3.2 模塊設計 058
5.4　實驗結果 061
5.4.1 數據集與評價方法 061
5.4.2 實現細節 061
5.4.3 主要實驗結果 062
5.4.4 消融分析 064
5.5　本章小結 066

第6章　基於動態錨框的Transformer 目標檢測　∥　067
6.1　引言 067
6.2　相關研究工作 070
6.3　基於位置先驗知識的訓練加速 071
6.4　DAB-DETR 算法 074
6.4.1 算法整體框架 074
6.4.2 錨框訓練 075
6.4.3 錨框訓練輪數更新 076
6.4.4 寬度和高度調制的高斯核函數 076
6.4.5 溫度調優 077
6.5　實驗結果 078
6.5.1 主要實驗結果 078
6.5.2 消融分析 079
6.6　本章小結 080

第7章　基於協同混合分配訓練的Transformer 目標檢測　∥　081
7.1　引言 081
7.2　相關研究工作 084
7.3　Co-DETR 算法 084
7.3.1 算法整體框架 084
7.3.2 協作式混合任務訓練 085
7.3.3 定制化正向查詢生成 086
7.3.4 Co-DETR運行機理 086
7.3.5 與其他方法比較分析 088
7.4　實驗結果 089
7.4.1 實驗設置 089
7.4.2 主要實驗結果 089
7.4.3 與前沿算法比較 091
7.4.4 消融分析 093
7.5　本章小結 097

第8章　實時Transformer 目標檢測　∥　098
8.1　引言 098
8.2　相關研究工作 100
8.2.1 實時目標檢測 100
8.2.2 端到端目標檢測 100
8.3　目標檢測算法端到端速度分析 101
8.3.1 NMS分析 101
8.3.2 端到端速度基準 102
8.4　RT-DETR 算法 103
8.4.1 算法整體框架 103
8.4.2 高效混合編碼器 104
8.4.3 不確定性最小化查詢選擇 105
8.4.4 可縮放RT-DETR 107
8.5　實驗結果 107
8.5.1 與前沿算法比較 107
8.5.2 混合編碼器消融分析 110
8.5.3 查詢選擇消融分析 110
8.5.4 解碼器消融分析 111
8.6　算法局限性探討 111
8.7　本章小結 112

第9章　基於排名的Transformer 目標檢測　∥　113
9.1　引言 113
9.2　相關研究工作 114
9.3　Rank-DETR 算法 115
9.3.1 基本定義 115
9.3.2 基於排名的框架設計 116
9.3.3 基於排名的匹配成本與損失 119
9.3.4 討論 120
9.4　實驗結果 120
9.4.1 實驗設置 120
9.4.2 主要實驗結果 120
9.4.3 消融分析 122
9.5　本章小結 128

第10章　總結與展望　∥　129
10.1　已取得的研究成果 129
10.2　待進一步研究的問題 132

參考文獻　∥　133

類似商品