DETR简介PPT（适合课程介绍）

简介：
DETR是一种革命性的目标检测框架，采用Transformer模型实现端到端学习。本PPT旨在简明扼要地介绍DETR的工作原理及其在计算机视觉领域的应用前景，适用于教学与研究参考。 DETR是一种基于深度学习的目标检测模型，它引入了Transformer架构，彻底改变了传统的方法。在DETR中，目标检测被视为集合预测问题，并且避免了非极大值抑制（NMS）后处理步骤。 其主要组成部分包括CNN主干网络、Transformer编码器、解码器以及预测头部。首先使用如ResNet101的CNN主干网络从输入图像提取特征并进行降维，以适应Transformer的需求；然后利用Transformer编码器学习全局上下文信息，并通过解码器生成边界框。 在训练过程中，DETR采用匹配策略将预测框与真实目标框相匹配，并计算损失。推理时，则仅保留高于阈值的预测结果，其余视为背景类。 特别的是，在每个注意力层之前使用位置编码来捕捉不同物体间的关系；Transformer解码器则通过多头自注意和交叉注意力机制进行预测并经过全连接层（FFN）输出以实现深度监督。预测头部由ReLU激活函数、隐藏层以及线性投影组成，用于边界框的中心坐标与宽度高度等参数及类别标签的预测。 为了处理固定数量的目标检测结果，“∅”特殊类被引入表示未发现目标的情况；DETR采用二分图匹配策略解决预测和真实目标之间的对应关系问题，并利用匈牙利算法计算损失函数。同时，分类损失、L1与IOU组合后的盒状损失共同优化模型性能。 训练时增加Transformer编码器的层数可提升表现力但需注意过深网络可能延长训练时间及消耗更多资源；总体而言DETR通过端到端学习简化流程并提高效率，在集合预测和二分图匹配方面具有创新性，能够灵活处理不同大小的目标而无需复杂后处理步骤。