Deep Toy project

ResNet는 shortcut connection을 가진 ResNet의 기본 블럭을 Residual Block라고 부르고 이게 여러 개 있는 구조입니다. 자세한 것은 뒤에 가서 더 이야기를 해볼겁니다.https://arxiv.org/pdf/1512.03385.

직접 ResNet 구현하기모델을 config에 따라서 변경 가능하도록 만들기직접 실험해서 성능 비교하기Ablation StudyCIFAR-10 데이터셋 준비블록 구성VGG Complete ModelVGG-16 vs VGG-19ResNet Ablation Study딥러닝

DenseNet은 ResNet이후에 나온 논문으로 실험 결과에 대해 개선 부분을 체크해서 나온 논문입니다.DenseNet은 ResNet의 shortcut connection을 FC Layer처럼 촘촘히 가지도록 한다면 더욱 성능 개선 효과가 클 것이라고 생각하고 이를

Augmentation을 하는 이유를 알아갑니다.여러 가지 Augmentation 방법을 알아둡니다.학습에 Augmentation을 적용할때 주의해야 할 점을 숙지합니다.방대한 데이터를 모으려면 그만큼의 돈이 들어갑니다. 허나 항상 그 돈을 마련하기란 쉽지 않고, 구글

Augmentation을 모델 학습에 적용하기Augmentation의 적용을 통한 학습 효과 확인하기최신 data augmentation 기법 구현 및 활용하기Augmentation 적용 (1) 데이터 불러오기Augmentation 적용 (2) Augmentation

http://cs231n.stanford.edu/reports/2017/pdfs/300.pdf여기서 보이는 이미지들은 논문에서 발췌한 것입니다.제가 코드 구현으로 나온 결과는 \* 표시를 한 것입니다.\*단순한 방식: 자르기,돌리기,뒤집기..등<연구배경>

분류 모델의 활성화 맵을 이해합니다.다양한 활성화 맵을 구하는 방법을 알아갑니다.약지도학습(weakly supervised learning)을 이해합니다.Explainable AICAM: Class Activation MapGrad-CAMACoL: Adversarial

학습목표 Classification model로부터 CAM을 얻어낼 수 있다. CAM으로 물체의 위치를 찾을 수 있다. CAM을 시각화 비교할 수 있다. 학습 내용 CAM, Grad-CAM용 모델 준비하기 CAM Grad-CAM Detection with

http://cnnlocalization.csail.mit.edu/Zhou_Learning_Deep_Features_CVPR_2016_paper.pdf사진들은 논문에서 발췌했습니다.여기서 물체 지역화(localize objetes)이라는 말은 이미지가 입력되었

딥러닝 기반의 Object detection 기법을 배워갑니다.Anchor box의 개념에 대해 이해합니다.single stage detection 모델과 two stage detection 모델의 차이를 이해합니다.Localization은 이미지 내에 하나의 물체(O

바운딩 박스(bounding box) 데이터셋을 전처리할 수 있습니다.Object detection 모델을 학습할 수 있습니다.Detection 모델을 활용한 시스템을 만들 수 있습니다.자율주행 보조장치RetinaNetkeras-retinanet이미지와 코드 출처: A

https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf이미지의 출처는 논문입니다.object detection은 물체가 무엇

논문링크: 링크텍스트ClassificationClassification +LocalizationObject Detection : 다중 사물에서 각 사물의 위치와 클래스 찾기2-stage물체의 위치를 찾는 문제(localization)물체의 분류 문제를 순차적으로 해결

세그멘테이션의 방식을 공부합니다.시맨틱 세그멘테이션 모델의 결괏값을 이해합니다.시맨틱 세그멘테이션을 위한 접근 방식을 이해합니다.세그멘테이션 문제의 종류주요 세그멘테이션 모델FCNU-NETDeepLab 계열세그멘테이션의 평가Upsampling의 다양한 방법\*좌상단:

시맨틱 세그멘테이션 데이터셋을 전처리할 수 있습니다.시맨틱 세그멘테이션 모델을 만들고 학습할 수 있습니다.시맨틱 세그멘테이션 모델의 결과를 시각화할 수 있습니다.시맨틱 세그멘테이션 데이터셋시맨틱 세그멘테이션 모델시맨틱 세그멘테이션 모델 시각화시맨틱 세그멘테이션으로 도로

논문 사이트: https://arxiv.org/pdf/1411.4038.pdf코드 리뷰:링크텍스트Semantic Segmentation을 이해하기 위해 가장 근본이 되는 논문이고 도로 영역 맵만들기 실습을 할 때 유용하기에 정리합니다.Key insightFCN

OCR은 문자 영역 검출(text detection)과 검출된 영역의 문자 인식(text recognition)을 수행하는 task로 이미지 속에서 글자를 인식하는 기술입니다.\*Text detectionobject detection and segmentation기술을

학습목표Text Recognition 모델을 직접 구현해 봅니다.Text Recognition 모델 학습을 진행해 봅니다.Text Detection 모델과 연결하여 전체 OCR 시스템을 구현합니다.목차Overall sturcture of OCRDataset for OC

Dlib 얼굴인식의 문제점Single Stage Object DetectionYOLO V1Face landmark얼굴을 잘 못 찾는다.동영상을 처리하기엔 너무 느리다.얼굴각도, 방향, 크기 등의 변화에 취약하다.Sliding window많은 시간 소요2-stage 방식

Batch Normalization2% 향상 in mAPHigh resolution classifierGeneral : 256x256Orignal Yolo: 224x224 -> detector 448x448YOLOv2: fine the classification net

Face detection위한 데이터셋넓은 공간에 다수가 등장하는 데이터셋내부 구성WIDER Face Training ImagesWIDER Face Validation ImagesWIDER Face Testing ImagesFace annotationsGround Tr

\*메소드\_crop\_pad_to_square\_resize\_flip\_distortPrior box 적용SSD모델에 사용데이터셋에 반영되어야한다.아래의 메소드: prior box와 bounding box사이의 IoU자카드 유사도(jaccard index):유사도

Learning rate scheduler초기 시점에 WarmUP에 도입해서 lr이 천천히 증가(PiecewiseConstantWarmUpDecay)Hard negative miningObject detection 모델 학습학습 중, label은 negativeconf

Human pose estimation는 2D 이미지인 2차원 좌표들을 찾아내거나 2D이미지에서 3차원 좌표를 찾는 것을 수행합니다.즉, 복원의 개념이지요.2차원에서 3차원으로 복원하는 것은 쉽지 않습니다. 왜냐하면, 카메라 행렬에서 x y z real world 좌

아래의 이미지처럼, 정말 다양하게 움직이죠? 어떻게 하면 이러한 위치 정보를 잘 따라가게 하는지 알려드리겠습니다.\*변천과정초기, 모델의 x,y좌표를 직접적으로 예측하는 position regression문제로 인식을 했고 human detection을 통해 crop된

SimpleBaseline-tf2