✍ 스탠포드 대학의 cs231n 8강 강의 내용을 정리한 글입니다.
✍ 스탠포드 대학의 cs231n 7강 강의 내용을 정리한 글입니다.
✍ 스탠포드 대학의 cs231n 6강 강의 내용을 정리한 글입니다.
✍ 스탠포드 대학의 cs231n 5강 강의 내용을 정리한 글입니다.
✍ 스탠포드 대학의 cs231n 4강 강의 내용을 정리한 글입니다.
MobileSAM 논문 정리
https://arxiv.org/pdf/2403.10931v2.pdf의료 이미지 분할(Medical image segmentation)은 헬스케어 분야에서 매우 중요한 역할을 한다. 최근 많은 사람들이 Segment Anything Model(SAM) 과 같은
https://arxiv.org/pdf/2304.02643.pdfNLP에 비해 computer vision에서의 foundation model들은 상대적으로 적게 탐구되었다. 그만큼 아직 해결해야 할 문제 범위가 넓고 이에 대한 훈련 데이터는 풍부하지 않다.해
https://arxiv.org/pdf/2307.09570.pdf최근 AI 연구는 대규모 데이터를 이용하여 학습된 모델로의 패러다임 변화를 겪고 있다. 현재 잘 알려진 BERT, DALL-E, GPT-3 등에 더불어, generic image segmentat
https://openaccess.thecvf.com/content_ICCV_2019/papers/Chan_HistoSegNet_Semantic_Segmentation_of_Histological_Tissue_Type_in_Whole_Slide_ICCV_201
https://arxiv.org/pdf/1505.04597.pdf기존 전형적인 CNN은 한 이미지 당 하나의 class label을 결과로 보여주는 분류 작업에서 많이 이용됨. 하지만, biomedical task에서는 단순 이미지 분류 뿐 아니라, 각 pix
http://cnnlocalization.csail.mit.edu/Zhou_Learning_Deep_Features_CVPR_2016_paper.pdf기존 CNN은 물체의 localizing에 탁월하지만, 최종적으로 분류를 위해 덧붙여지는 fully-conne
Coarse-labelled dataset에 sample 간 inter-sample relation을 활용한 새로운 contrastive learning 기법을 소개한 MaskCon 논문 리뷰
Tabular Data: Deep Learning Is Not All You Need 논문에 대한 리뷰
TabNet: Attentive Interpretable Tabular Learning 논문에 대한 리뷰와 간단한 실습