# Boostcamp AI tech
Boostcamper's TIL (15)
FCN의 한계와 Skip-Connection을 적용해 극복한 모델들Recptive Field를 확장시킨 모델들큰 객체의 경우 지역적인 정보만으로 예측해 전체적인 모습을 예측하지 못함같은 객체여도 다르게 labeling작은 Object가 무시되는 경우가 있음Deconvo
Boostcamper's TIL (14)
pixcelwise prediction큰 객체의 경우 지역적인 정보만으로 예측해 전체적인 모습을 예측하지 못함같은 객체여도 다르게 labeling작은 Object가 무시되는 경우가 있음Deconvolution의 절차가 너무 간단해 경계를 학습하기에는 무리가 있음 (ex
Boostcamper's TIL (13)
Pixel-wide classification대표적인 Segmentationfeature extraction을 위해 VGG 네트워크를 백본으로 사용VGG네이트워크의 Fully Connected Layer(nn.Linear)를 Convolution으로 대체Transpos
[Boostcamp AI Tech] [P-stage] 12주차 Day 1 학습 기록
EfficientUNet을 설치하여 EfficientUNet-b5 모델로 돌려보았으나 모델이 background만 보는 문제가 발생하였다. 데이터 비중이 높은 plastic bag나 background만 집중적으로 예측하도록 학습되었기 때문에 발생한 결과이고, 이렇게
[Boostcamp AI Tech] [P-stage] 10주차 Day 3 학습 기록
학습 내용 현재까지 알게 된 것 대회 특성상 mAP가 높을수록 점수가 높기 때문에, Faster R-CNN처럼 Bbox를 많이 예측하는 게 점수가 높게 나온다. 이런 점에서 Cascade R-CNN은 high quality box를 추출하기 때문에 점수가 낮게 나오는