待验证50% 置信事实精确时间
DETR系列模型通过Transformer的集合预测机制消除了传统检测模型（如YOLO）依赖的非极大值抑制（NMS）等后处理步骤，实现端到端检测
1
来源数
50%
置信度
长期有效
时效性
2026/8/22
首次发现
来源
涉及实体
相关事实
待验证在Transformer之前，主流序列模型RNN及LSTM在处理长序列时存在梯度消失问题69% 相似待验证DETR将目标检测重新定义为一个集合预测问题，无需手工设计的NMS后处理69% 相似待验证Supervision 采用模型无关（model-agnostic）设计，支持 YOLO 系列、Detectron2、Transformers 生态检测模型及 Roboflow 推理服务的输出67% 相似已验证Transformer的自注意力机制允许模型直接计算序列中任意两个位置之间的依赖关系，突破了RNN/LSTM因顺序计算导致的并行化瓶颈66% 相似已验证自注意力机制取代了此前主流的RNN/LSTM，当前所有主流大模型均为Transformer变体65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/787395API
curl https://kongchang.com/api/v1/knowledge/claims/787395MCP
get_claim(id=787395)