Going Deeper

2015년 발표된 ResNet의 원본 논문은 Deep Residual Learning for Image Recognition 이라는 제목으로 Kaiming He, Xiangyu Zhang 등이 작성함.ResNet 논문은 Residual Block이라는 아주 간단하면서도

Densely Connected Convolutional Networks의 저자들은 DenseNet이 ResNet의 shortcut connection을 Fully Connected Layer처럼 촘촘히 가지도록 한다면 더욱 성능 개선 효과가 클 것이라고 생각하고 이를

지금까지 봤던 방법은 사람이 고안한 방식을 네트워크 구조에 적용하여 효과를 봤던 방법.모델의 훈련은 컴퓨터가 시켜줄 수 있어도, 어떤 모델 구조가 좋을지는 사람이 직접 고민하고 실험해 보아야 했음.새로운 모델 구조를 고안하고 이해하는 과정을 반복하다 보면, "우리가 딥

우리가 현실의 문제를 해결하기 위해 맞닥뜨려야 하는 데이터들은 충분히 모으기도 쉽지 않지만 고품질로 정제하는 과정도 만만치 않다.제한된 데이터셋을 최대한 활용하기 위해서 augmentation방법을 사용할 수 있다.Data augmentation은 갖고 있는 데이터셋을

Object detection 이미지 내에서 물체의 위치와 그 종류를 찾아내는 것. 이미지 기반의 문제를 풀기 위해서 다양한 곳에서 필수적으로 사용됨. (자율 주행에서 차량, 사람 탐지, 얼굴 인식 등) 1. Object detection의 용어 정리 Classif

세그멘테이션(segmentation): 픽셀 수준에서 이미지의 각 부분이 어떤 의미를 갖는 영역인지 분리해 내는 방법. 이미지 분할 기술