Single attribute and multi-attribute facial gender and age estimation
single attribute || multi attribute
하나의 특성으로 학습 시켰냐 || 여러 개의 특성으로 학습 시켰냐
Abstract
- 단일 속성 및 다중속성 예측모델 연구
- 기존 방법 딥러닝 접근법을 기반으로, 나이 추정 및 성별 분류 방법에 대한 리뷰 제공
Conclusion
Qustion
Q. STL이 MTL보다 메모리를 더 차지하는 이유?
A. 더 많은 시간이 걸린다.(수집 + 학습) 즉 매개변수가 많아지기 때문에 계산에 더 많은 비용이 든다.
Q. 메모리 절약과 시간 말고 장점이 있나?
A. 리소스보다는 STL, MTL에 대한 다양한 기술에 대한 성능을 나열.
리뷰논문의 특성인가?
Q. STL이 MTL보다 좋지 않다면 써야하는 이유가 뭐지?
A. 목적성에 따라 구별하여 사용하기에 효율을 빗대는 것은 다른 접근법이다.
비용부담의 지속적인 결과로 온 디바이스에서 사용하는 것은 메모리 사용량이 적어서 좋은것? 하지만 STL은 여러 매개변수가 있기 때문에 정확한 결과를 낼 수도 있다.
P. gender model은 작은 모델을 사용해도 잘 나오는데, age model은 잘 안나온다. 즉, MAE가 많이 발생하는데 일반화가 부족한 것. 이를 위해서 데이터를 그만큼 많이 모으면 over-fitting이 되기 때문에 일반화의 수준이 높아진다.
My Q. 왜 SAL, MAL로 구분하지? 공부하기
* 인스타그램에서 #를 이용해 데이터를 수집하자.
이철원 교수님 논문
SIFT를 통한 새 탐지
filter를 고정한 뒤, box를 뒤틀어서 학습하는 모델. 연산이 오래걸림.
HOG + SVM을 이용하면 정확도가 올라간다.?
WBBC가 제일 정확도가 높다.
그렇지만 이제는 머신러닝 기법들이 사장되었다. why? 딥러닝 기법들이 훨씬 좋아서.
컨볼루션 레이어를 통해 이전의 기술들이 대체되었다. 데이터를 다루는 사용자 입장에서 편해진다. 고차원에서 데이터를 분석하고 구분하는 방법들이 우후죽순 생긴다.
Stable-Hair: Real-World Hair Transfer via Diffusion Model
https://paperswithcode.com/여기서 볼 수 있다.
실제 등재된 논문이지만, 발표한 것은 아님. 미완성 논문이다. 그래서 스타가 높은 것만 보는게 유익하다.
Motivation
우리가 생각하는대로 헤어스타일을 만드는 모델은 한계가 있다. 즉, 잘 안됨. 이걸 더 좋게 만들기 위한 논문
Step 1. 대머리로 만든다음 다시 머리를 입힌다.
Step 2. hair extract, Latent Identify Net, Cross-Attetion Layers
Conclusion
정확성이 제일 높다. Fidelity라고 표현했는데 뭐지? 원본과 얼마나 유사한지, 일치하는지를 의미한다.
일관성. 어떤 상황이든 잘 들어가길 바라고, 원본의 형태를 최대한 유지하길 바람.
픽셀을 그대로 집어넣지 않고, Latent Condition을 통해 넣는다.
생동감과 재현률이 높다?
Perplexity를 사용해서 검색해보기
Attetion is All you Need 논문 보기
다음주 수요일 10시
