DETR原理与代码精讲

Transformer在许多NLP(自然语言处理)任务中取得了领先的成果。 DETR(Detection Transformer)是Facebook提出的基于Transformer的端到端目标检测方法。

DETR使用CNN+Transformer进行图像目标检测，该方法没有NMS后处理步骤、没有anchor。DETR总体思路是把目标检测看成一个set prediction的问题，并且使用Transformer来预测物体边界框的集合。

本课程对DETR的原理与PyTorch实现代码进行精讲，来帮助大家掌握其详细原理和具体实现。

原理精讲部分包括：Transformer的架构概述、Transformer的Encoder 、Transformer的Decoder、DETR网络架构、DETR损失函数、DETR实验结果和分析。

代码精讲部分使用Jupyter Notebook对DETR的PyTorch代码进行逐行解读，包括：安装PyTorch、 DETR官方Demo，DETR的hands-on tutorial，DETR的代码精讲（数据准备、Backbone和位置编码、Transformer架构的实现）。

 

1 课程介绍.mp4

2 Transformer架构概述.mp4

3 Transformer的Encoder.mp4

4 Transformer的Decoder.mp4

5 DETR的网络结构.mp4

6 DETR的损失函数.mp4

6 DETR的损失函数_ev.mp4

7 DETR的实验结果及分析.mp4

8 安装PyTorch.mp4

8 安装PyTorch_ev.mp4

9 DETR的官方demo.mp4

10 DETR的官方hands-on turorial.mp4

10 DETR的官方hands-on turorial_ev.mp4

11 DETR代码精讲1-数据准备.mp4

12 DETR代码精讲2-Backbone和位置编码.mp4

13 DETR代码精讲3-Transformer及损失函数.mp4

课程资料.zip