Detection Transformer和传统卷积模型有什么区别

Detection Transformer（Detr）是一种基于Transformer架构的物体检测模型，相对于传统的卷积模型，Detr有以下几个区别：

1. 目标检测框架不同：传统的卷积模型（如Faster R-CNN）采用两阶段检测框架，需要先生成候选框再进行分类和回归；而Detr采用一阶段检测框架，将物体检测问题转化为一个集合问题，直接从输入图像中预测物体的类别和位置。

2. 特征提取方式不同：传统的卷积模型采用卷积层和池化层等操作来提取图像特征；而Detr则使用Transformer来提取特征，通过自注意力机制实现全局信息的交互和关联。

3. 模型训练方式不同：传统的卷积模型通常采用基于anchor的训练方式，需要对每个anchor进行分类和回归；而Detr使用无需anchor的训练方式，直接对预测框进行分类和回归。

4. 结果解码方式不同：传统的卷积模型通常使用非极大值抑制（NMS）来合并重叠的候选框；而Detr则采用匈牙利算法来匹配预测框和真实框，从而得到最终的检测结果。