본문 바로가기
반응형
[CV] U-Net [출처]: U-Net: Convolutional Networks for Biomedical Image Segmentation U-Net: 생의학 이미지 분할을 위한 컨볼루션 네트워크저자:Olaf Ronneberger, Philipp Fischer, Thomas Brox독일 프라이부르크 대학교요약:이 논문은 생의학 이미지 분할을 위한 컨볼루션 네트워크 구조와 훈련 전략을 소개합니다. 주요 특징은 다음과 같습니다:주석이 달린 샘플을 효율적으로 사용하기 위한 데이터 증강.맥락을 포착하는 수축 경로와 정밀한 위치 지정이 가능한 확장 경로를 가진 대칭 아키텍처.몇 개의 이미지로부터 엔드 투 엔드로 훈련 가능, 이전 방법보다 뛰어난 성능.빠른 분할 능력 (최근 GPU에서 512x512 이미지 분할이 1초 이내).구.. 2024. 6. 7.
[CV] CvT [출처] CvT: Introducing Convolutions to Vision Transformers [출처]: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 요약논문 제목: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale저자: Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai, Thomas Unterthiner, Mostafa Dehghani, Matthias Minderer, Georg Heigold, Sylvain Gelly.. 2024. 6. 7.
[CV] Deformable Convolutional Networks [출처]: Deformable Convolutional Networks  "Deformable Convolutional Networks" 요약저자: Jifeng Dai, Haozhi Qi, Yuwen Xiong, Yi Li, Guodong Zhang, Han Hu, Yichen Wei소속: Microsoft Research Asia요약: 컨볼루션 신경망(CNN)은 고정된 기하 구조로 인해 기하 변환을 모델링하는 데 어려움을 겪습니다. 이를 해결하기 위해 저자들은 변형 가능 컨볼루션(deformable convolution)과 변형 가능 RoI 풀링(deformable RoI pooling)을 도입했습니다. 이 모듈들은 추가적인 감독 없이 대상 작업에서 학습된 오프셋을 기반으로 공간 샘플링 위치를 조정하여.. 2024. 6. 7.
[CV] YOLO v2 [출처]: YOLO9000: Better, Faster, StrongerYOLO9000은 실시간으로 9000개 이상의 객체를 인식할 수 있는 최첨단 객체 검출 시스템입니다. 주요 특징과 개선 사항은 다음과 같습니다:YOLOv2 개선 사항:배치 정규화: 수렴 속도를 높이고 과적합을 방지.고해상도 분류기: 더 높은 해상도의 입력 이미지를 사용하여 정확도 향상.앵커 박스 사용: 앵커 박스를 사용하여 예측을 단순화하고 재현율을 높임.차원 클러스터링: K-평균 클러스터링을 사용하여 더 나은 앵커 박스 초기값 설정.직접 위치 예측: 예측 안정성을 높임.세분화된 특징 사용: 작은 객체의 위치를 더 정확하게 잡아냄.멀티스케일 학습: 다양한 해상도에서 예측을 잘할 수 있도록 함.성능:PASCAL VOC와 COCO와 같은.. 2024. 6. 7.
[CV] YOLO [출처]: You Only Look Once: Unified, Real-Time Object Detection 제공된 문서는 객체 탐지를 위한 새로운 접근법인 YOLO(You Only Look Once)에 대해 설명합니다. 주요 요점을 요약하면 다음과 같습니다:개요:YOLO는 객체 탐지를 단일 회귀 문제로 재정의하여, 단일 신경망을 통해 전체 이미지에서 한 번의 평가로 바운딩 박스와 클래스 확률을 직접 예측합니다.이 통합 아키텍처는 전체 탐지 파이프라인을 탐지 성능에 맞게 끝에서 끝으로 최적화할 수 있게 합니다.성능:YOLO는 매우 빠르며, 기본 모델로 초당 45 프레임(fps), Fast YOLO 버전으로는 초당 155 프레임을 실시간으로 처리할 수 있습니다.YOLO는 최첨단 시스템에 비해 위치 오류가.. 2024. 6. 7.
[CV] Cascade R-CNN [출처]: Cascade R-CNN: Delving into High Quality Object Detection 요약:논문 "Cascade R-CNN: Delving into High Quality Object Detection"은 객체 검출 성능을 향상시키기 위한 새로운 접근 방식을 소개합니다.요약:Cascade R-CNN은 훈련 중 과적합 문제와 추론 중 품질 불일치 문제를 해결하기 위해 고안된 다단계 객체 검출 프레임워크입니다. 낮은 교차 비율(IoU) 임계값으로 훈련된 전통적인 객체 검출기는 종종 잡음이 많은 검출 결과를 만듭니다. 훈련 중에 IoU 임계값을 높이는 것은 양성 샘플의 감소와 검출기의 최적 IoU와 입력 가설 간의 불일치로 인해 성능 저하를 초래할 수 있습니다.주요 기여:다단계 아.. 2024. 6. 7.
[CV] EfficientDet [출처]: EfficientDet: Scalable and Efficient Object Detection "EfficientDet: Scalable and Efficient Object Detection" 요약이 논문은 효율성과 확장성을 염두에 두고 설계된 새로운 객체 탐지기 모델 군인 EfficientDet을 소개합니다. 주요 기여는 다음과 같습니다:BiFPN (양방향 피라미드 네트워크): EfficientDet은 효율적이고 빠른 다중 스케일 특징 융합을 가능하게 하는 가중 양방향 피라미드 네트워크(BiFPN)를 도입합니다. BiFPN은 학습 가능한 가중치를 사용하여 다양한 입력 특징의 중요도를 결정하여 융합 과정을 향상시킵니다.복합 스케일링 방법: 이 논문은 백본, 특징 네트워크, 박스/클래스 예측.. 2024. 6. 7.
[CV] EfficientNet [출처]: EfficientNet: Rethinking Model Scaling for Convolutional Neural NetworksEfficientNet: 합성곱 신경망의 모델 확장을 재고하다저자: Mingxing Tan, Quoc V. Le초록: EfficientNet은 합성곱 신경망(ConvNet)의 깊이, 너비, 해상도를 복합 계수를 사용하여 균형 있게 확장하는 새로운 방법을 제안합니다. 저자들은 모델 확장을 체계적으로 연구하고, 모든 차원을 균일하게 확장함으로써 더 나은 성능을 달성할 수 있음을 보여줍니다. 그들은 신경망 아키텍처 검색을 통해 새로운 기본 네트워크 EfficientNet을 설계하고, 이를 확장하여 이전의 ConvNet보다 더 나은 정확도와 효율성을 가진 모델들을 얻습니다... 2024. 6. 7.
[CV] RetinaNet [출처]: Focal Loss for Dense Object DetectionRetinaNet 요약저자: Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollar소속: Facebook AI Research (FAIR)초록이 논문은 COCO 벤치마크에서 최첨단 정확도를 달성하는 1단계 객체 탐지기인 RetinaNet을 소개합니다. 주요 혁신은 Focal Loss로, 이는 훈련 중에 발생하는 극단적인 전경-배경 클래스 불균형 문제를 해결하기 위해 설계되었습니다.소개현재 최첨단 객체 탐지기는 2단계 접근 방식(예: R-CNN)에 의존합니다. 1단계 탐지기는 더 빠르고 단순하지만 정확도에서 뒤처져 왔습니다. 이 논문은 클래스 불균형을 주요 문제로 식.. 2024. 6. 7.
[CV] SSD [출처]: SSD: Single Shot MultiBox Detector "SSD: Single Shot MultiBox Detector" 요약이 논문은 SSD(Single Shot MultiBox Detector)라는 방법을 소개합니다. 이 방법은 단일 딥 뉴럴 네트워크를 사용하여 이미지에서 객체를 탐지합니다. SSD는 경계 상자의 출력 공간을 각 특징 맵 위치에서 다양한 종횡비와 크기의 기본 상자로 이산화합니다. 예측 시, 네트워크는 각 기본 상자에 대해 각 객체 범주의 존재 여부를 점수화하고, 객체 모양에 더 잘 맞도록 상자를 조정합니다. SSD는 다양한 해상도의 여러 특징 맵에서 예측을 결합하여 다양한 크기의 객체를 자연스럽게 처리합니다.SSD의 주요 장점:제안 생성 및 이후의 픽셀 또는 특징 재.. 2024. 6. 7.
반응형