강의 내용 복습

(09강) Semantic Segmentation 연구 동향 1

1. HRNet의 필요성

• image classification networks의 발전
  
  이미지 분류를 위한 CNN 구조는 고해상도 입력을 점차 저해상도로 줄여나가는 (LeNet의)설계 방식을 사용.
  저해상도 high-level feature를 이용해
  (Upsampling, Decoder 등으로) segmentation 결과 생성.
  
  Semantic Segmentation : 이미지 내 모든 픽셀에 대한 분류 -> 더 많고 자세한 정보가 필요하기 때문에, 높은 해상도를 유지하는 것이 좋음

Revisit

DeConvNet, SegNet : up sampling
U-Net : skip connection
단점 : 32배로 너무 많이 줄이고 다시 복원 - sparse한 feature map 생성이라는 단점

down, up sampling 제거하고 dilated conv 적용

정리

2. HRNet 구조 살펴보기

2.1 HRNet의 구성 요소

2.2 다중 해상도 정보 생성 및 병렬 처리

2.3 다중 해상도 정보의 반복적 융합

2.4 다양한 종류의 출력 생성

2.5 정리

3. HRNet의 세부 구조 및 구현

4. HRNet의 실험 결과

Ref
HRNet

---

Python 2강

Ref

---

과제 수행 과정 및 결과

---

피어 세션

semantic segmentatino 대회 진행

---

학습 회고

keep

problem

try