# CV

choihj94

강의내용 Advanced Object Detection Cascade RCNN IoU threshold가 다르게 학습되었을 때 결과가 다르다. 전작적으로 IoU threshold가 0.5로 학습된 model이 성능이 가장 좋지만 AP의 IoU가 높아질수록 input I

seryoung

💡 Further Dev in 2 stage Detectors Cascade RCNN Deformable Convolutional Networks(DCN) Transformer Vision Transformer (ViT) End-to-End Object Det

seryoung

💡Custom mosaic (Random crop X. 경계선 유지하면서 Crop)MixUpHeavy Augmentation (RandomCrop, HorizontalFlip, VerticalFlip, ToGray, GaussNoise, MotionBlur, Medi

seryoung

💡 MMDetection & Detectron2 ||MMDetection|Detectron2| |공통점|전체 프레임워크를 모듈 단위 분리|| |특징|- 많은 프레임워크 지원 - 속도 빠름|- OD 외에도 Segmentation,

qsdcfd

논문의 장점: 기존 객체탐지 기술보다 매우 간단하고 경쟁력 있는 성능논문 제안DETR(DEtection TRansformer):이분 매칭 손실 함수 + Transformer image.png\-기존 객체 탐지(object detection)은 너무 복잡하고 다수의 라이

aelim0409

기존의 분류 모델들과 비교하면 데이터 자체를 생성해낸다.생성 네트워크과 구분 네트워크 간의 상반되는 목적 함수로 인해 적대성이 생김신경망 형태를 가진 다양한 네트워크 형식이전까진 손실을 정의하고 이를 최소화하는 방식으로 모델을 구현함GAN에서는 목적함수를 달성하기 위해

seryoung

💡 R-CNN부터 SPPNet, Fast R-CNN, 그리고 최신 2 Stage Detector들의 기초가 되는 Faster R-CNN Background 입력 이미지 -- 계산 --> Localization -- 계산 --> Classification **1. 객

choihj94

강의내용 2-Stage Detectors 인공지능으로 객체를 인식하는 방법은 사람이 인지하는 방식과 비슷한 방식으로 설계되어 있다. 먼저 객체의 위치를 찾고 배경과 구분하여 물체를 맞추는 방식으로 객체를 인식하는데 인공지능도 마찬가지로 객체의 위치를 찾아내고 위치 안에

seryoung

Object Detection Task에는 어떤 라이브러리가 쓰이는지, 학습된 모델들은 어떤 Metric을 통해 평가되는지

hanlyang0522

현실은 3D라 현실 관련 task는 모두 3D를 다룸AR/VR, 3D printing, medical application 등 다양한 application이 존재Image는 3D를 2D로 투사(projection)한 형태Triangulation(삼각측량법)으로 2D i

hanlyang0522

Image captioning 구현 구조 분석Pre-trained CNN을 사용Resnet101의 마지막 2개 layer는 linear, pooling layer로, logit을 출력하기 때문에 제외우리가 필요한 것은 spatial feature를 유지하는 tenso

seryoung

학습을 통해 conv filter들은 어떤 것을 배우나? CNN == black boxCNN 내부 어떻게 생겼는지 가늠 → 왜 performance가 잘 나오는가어떻게 하면 성능을 높일 수 있을까⇒ Visualization tools → debug

seryoung

Instance segmentation = semantic segmentation + instance 구분Fast R-CNN과 비슷한 구조

seryoung

Conditional Generative Model Translate image given condition

seryoung

우리가 3D 세상에 살고 있기 때문로봇을 만들면 그 로봇은 우리처럼 3D 세계를 활보해야 함=> 3D 공간에 대한 이해가 중요하다3D applicationsAR/VR3D printingMedical applications이미지(2D): 3D를 직접 보지 못하고 3D의

seryoung

Multi-modal learning : 다양한 데이터 타입/형태/특성을 가진 서로 다른 데이터 사용해 학습

hanlyang0522

Multi-modal Learning 한가지 타입의 data가 아니라 여러가지 타입의 data를 함께 사용하는 방법 CV라 vision centric하게 다룰 예정 Challenges Data 표현 형태가 제각각이라 다루기가 어려움 정보의 양과 feature s

hanlyang0522

Condition이 주어졌을 때, 조건에 해당하는 결과가 나오는 형태기존 generative model은 image나 sample을 생성할 수는 있지만, 조작은 할 수 없었음Conditional generative model은 user의 의도를 반영해 응용 가능성을 높

hanlyang0522

같은 물체라도 instance에 따라 구분Semantic segmentation + Digtingushing instances기존의 Faster R-CNN과 거의 동일한 구조RoIAlign이라는 새로운 pooling layer를 제안, interpolation을 통해

hanlyang0522

Exercise Saliency map을 구하기 위해서 필요한 기본적인 구현 디테일을 익힘 Autograd: Automatic gradient API 대부분의 DL library의 고유한 기능 행렬 연산 뿐만 아니라 Forward, backward pass 계산을 가능하게 해줌 Computational graph라는 구조를 이용해 automa...