반응형 [CV] DenseNet [출처]: Densely Connected Convolutional Networks 요약: Densely Connected Convolutional Networks (DenseNet)개요DenseNet은 모든 레이어를 피드포워드 방식으로 서로 연결하여 정보 흐름을 최적화하는 네트워크 아키텍처입니다. 전통적인 컨볼루션 네트워크는 각 레이어 간 하나의 연결을 가지지만, DenseNet은 L(L+1)/2개의 직접 연결을 가집니다. 이러한 구조는 정보 손실을 줄이고, 특징 재사용을 촉진하며, 파라미터 수를 크게 줄이는 등의 장점이 있습니다. DenseNet은 CIFAR-10, CIFAR-100, SVHN, ImageNet과 같은 객체 인식 벤치마크에서 탁월한 성능을 보였습니다 .소개컨볼루션 신경망(CNN).. 2024. 6. 7. [CV] ResNet [출처]: Deep Residual Learning for Image Recognition "Deep Residual Learning for Image Recognition" 요약저자: Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun (Microsoft Research)초록:깊은 신경망의 훈련 어려움을 해결합니다.층 입력을 참조하여 잔여 함수를 학습하도록 층을 재구성하는 잔여 학습 프레임워크를 소개합니다.잔여 네트워크(ResNets)가 최적화하기 더 쉽고 깊이가 증가함에 따라 정확도가 높아짐을 입증합니다.ImageNet 데이터셋에서 최대 152층의 잔여 네트워크를 평가하여 3.57%의 오류율로 최첨단 성능을 달성했습니다.COCO 객체 탐지 데이터셋에서도 깊은 표현.. 2024. 6. 7. [CV] VggNet [출처]: Very Deep Convolutional Networks for Large-Scale Image Recognition논문 요약: Very Deep Convolutional Networks for Large-Scale Image Recognition논문 제목: Very Deep Convolutional Networks for Large-Scale Image Recognition저자: Karen Simonyan, Andrew Zisserman발표된 학회: ICLR 2015요약이 논문은 대규모 이미지 인식을 위해 매우 깊은 컨볼루션 신경망(ConvNets)의 효과를 조사합니다. 저자들은 16~19개의 가중치 레이어를 가진 네트워크를 평가하여 네트워크 깊이가 정확도에 미치는 영향을 분석하였습니다. .. 2024. 6. 7. [CV] GoogleNet [출처]: Going Deeper with Convolutions"Going Deeper with Convolutions" 요약저자: Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich초록: 이 논문은 Inception이라는 깊은 컨볼루션 신경망 아키텍처를 소개하며, 이는 2014년 ImageNet 대규모 시각 인식 챌린지(ILSVRC14)에서 분류 및 검출 작업에서 최신 상태를 설정하는 데 기여했습니다. 특히 GoogLeNet이라는 변형은 네트워크의 깊이와 너비를 늘리면서도 일정한 계산 예산을 유지하도록.. 2024. 6. 7. [CV] AlexNet [출처]: ImageNet Classification with Deep Convolutional Neural Networks 주요 내용 요약: AlexNet 논문 (ImageNet Classification with Deep Convolutional Neural Networks)저자: Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton1. 개요AlexNet은 ImageNet LSVRC-2010 콘테스트의 1.2백만 개의 고해상도 이미지를 1000개의 클래스에 분류하기 위해 개발된 대형 심층 합성곱 신경망(CNN)입니다.테스트 데이터에서 top-1 오류율 37.5%, top-5 오류율 17.0%를 달성했으며, 이는 이전 최첨단 기술보다 훨씬 우수한 성능입니다.이 신.. 2024. 6. 7. [CV] LeNet-5 [출처]: GradientBased Learning Applied to Document Recognition LeNet-5 논문은 Yann LeCun 등 여러 연구자가 1998년에 발표한 논문으로, 손글씨 숫자 인식을 위한 합성곱 신경망(Convolutional Neural Network, CNN)의 아키텍처를 제안합니다. 이 논문은 합성곱 신경망을 통해 이미지 인식 문제를 해결하는 방법을 제시하며, LeNet-5는 특히 손글씨 숫자 인식에서 큰 성과를 보였습니다.주요 내용 요약배경 및 목적: 전통적인 패턴 인식 기법은 주로 특징 추출과 분류 단계를 분리하여 수행했습니다. 하지만 LeCun 등은 자동으로 특징을 학습하고 분류하는 신경망을 제안했습니다.LeNet-5 아키텍처:입력층: 32x32 픽셀의 이미.. 2024. 6. 7. 이전 1 다음 반응형
