目标检测的“尽头”竟是语言建模？Hinton团队提出Pix2Seq：性能优于DETR

↑ 点击蓝字 关注极市平台作者丨happy编辑丨极市平台极市导读 语言模型与目标检测这种八竿子打不着的领域之间会存在关联性吗？Hinton团队的最新工作Pix2Seq对此进行了探索，它将目标检测问题转换成了语言模型问题，并在COCO数据集上取得了与DETR相当甚至更优性能。好大的脑洞！ >>加入极市CV技术交流群，走在计算机视觉的最前沿原文链接：https://arXiv.org/abs/2109.10852Abstract本文提出了一种简单而通用框架Pix2Seq用于目标检测，不同于已有显式集成先验知识的方案，我们将目标检测任务转换成了基于观测像素输入的语言模型任务 。关于目标的描述(比如边框、类别)将被描述为离散token序列，我们训练了一个神经网络去感知图像并生成期望的序列。该方法主要基于这样的直 ………………………………