基于Transformer的目标检测算法的3个难点

视觉感知算法的核心在于精准实时地感知周围环境，以便下游更好地进行决策规划，而目标检测任务就是视觉感知的基础。不仅在自动驾驶领域，在机器人导航、工业检测、视频监控等领域，目标检测都有着广泛应用，也是近年来理论研究的热点。作为计算机视觉中的基础算法，目标检测对后续的人脸识别、目标跟踪、实例分割等任务都起着至关重要的作用。

基于深度学习的卷积学习网络（CNN）在目标检测任务上取得了优越的性能，例如FasterRCNN、YOLO系列、CenterNet等等，也在实际应用中实现了成功部署和使用。自Transformer在2017年被提出之后，无论是自然语言处理领域，还是计算机视觉 (CV)、强化学习 (RL)、生成对抗网络 (GAN)、语音处理甚至是生物学领域，Transformer都大放异彩。而在目标检测领域中，视觉Transformer不仅可以实现2D检测、3D检测，还可以实现多模态检测，BEV视角下的检测，性能也非常出色。 因此，掌握Transformer相关知识和工程基础成为了企业招聘算法工程师的一个技能要求点，也是简历上的一个加分项。

然而，想要掌握基于Transformer的目标检测算法，有以下3个难点：

理解Transformer背后的理论基础，比如自注意力机制（self-attention）, 位置编码（positional embedding），目标查询（object query）等等，网上的资料比较杂乱，不够系统，难以通过自学做到深入理解并融会贯通。

掌握基于Transformer的目标检测算法的思路和创新点，一些Transformer论文涉及的新概念比较多，话术没有那么通俗易懂，读完论文仍然不理解算法的细节部分。

Transformer代码不易看懂，因为作用机制与CNN有不少差别，所以完全理解代码并实践应用需要花费很大功夫。

那么如何学习基于Tansformer的目标检测算法呢？

课程「目标检测中的视觉Transformer」正是帮助各位同学解决以上这些难点，不仅为大家详细讲解视觉Transformer的基础知识，还有各种经典的基于Transformer的目标检测算法，还配有代码解读和实践课程，让大家真正活学活用，理解和掌握这些知识理论。

实践部分

编辑：黄飞