Papers
1.[논문리뷰] R-CNN
RCNN paper link RCNN이란 RCNN이란 기존 CNN구조에 selective search 알고리즘을 통해 object로 판단되는 영역제안(region proposals)을 한 뒤 해당 RoI(region of interest)들을 연산하는 기법이다. 논문의
2.[논문리뷰] Fast R-CNN
Fast RCNN은 RCNN의 고질적 문제인 속도와 end-to-end 학습이 불가능하다는 것을 보완한 모델로 논문에서는 GPU를 사용여도 VGG16기반의 RCNN은 test time에서 47초가 소요되던 것을 약 10~100배 단축, traing time을 3배 단축
3.[논문리뷰]Faster R-CNN
Faster RCNN은 RCNN 모델 군의 최상위 모델로 앞선 Fast RCNN의 단점이였던 selective search를 해결하기위해 RPN(region proposal network)를 도입하여 GPU연산이 가능해졌고 그로인해 RCNN 모델 군 중 real-tim
4.[논문리뷰]Yolo v1(you look only once)
앞선 RCNN모델들은 대표적인 2-stage model이였다면 Yolov1은 1-stage model의 대표 모델이라 할 수 있다.1-stage와 2-stage의 대표적인 차이점은 localization을 따로 계산하느냐 한 번에 계산하느냐이다. 1-stage mode
5.[논문리뷰] SSD(single shot multibox detector) 리뷰
SDD는 Yolov1의 뒤를 잇는 1-stage detection 모델이다.기존 Yolo는 Faster RCNN에 비해 6배 이상의 속도를 보여주었지만 bbox의 위치가 다소 부정확한 모습을 보여주었다. 이를 보완하기위해 Default box와 pooling layer
6.[논문리뷰] FPN(Feature Pyramid Networks for Object Detection)
FPN은 2-stage-detector 모델로 기존의 모델들은 정확도와 속도는 trade-off 관계를 유지하였다. 2-stage 모델은 정확도가 높은 대신 속도가 굉장히 느린 문제점을 해결하기 위해 나온 모델이 FPN이다.기존의 OD모델은 작은 물체를 탐지하는 것에
7.[논문리뷰] Focal Loss(RetinaNet)
기존 OD 모델들의 문제점은 background가 foreground 보다 압도적으로 많아 학습을 비효율적으로 진행한다. 2-stage 모델은 이를 해결하기 위해 region proposal을 통해 일반적으로 background : foreground를 1:3으로 sa
8.[논문리뷰] EfficientDet: Scalable and Efficient Object Detection
기존 OD 모델들은 accuracy와 efficiency는 trade-off 관계를 유지하였고 state-of-the-art 모델들은 accuracy에 집중하여 크기가 매우 크다. 이러한 문제로 일반 사용자들이 사용하는 application에 적용하기엔 무리가 있었다.