# GoogleNet

nebulajo

FC Layer(Fully, Connected Layer, Fully Connected Neural Network)의 경우 피쳐맵에 대해서 모든 텐서에 대해 내적을 하게 된다. 모든 텐서에 대해서 파라미터가 사용되기 때문에 1) 파라미터 개수가 증가하는 한계점이 있다.

wsh7787

이번 시간에는 CNN의 대표적인 모델들을 배워보았다. CNN모델의 시작은 LeNet이고 최초로 Convolution 연산을 적용한 모델이다. 이후 ImageNet대회에서 2012년 오차율을 굉장히 줄인 AlexNet은 잠잠했던 CNN연산을 사용해 성공적인 결과를 냈다

wsh7787

스터디날 발표하기로 한 논문이다. 사실 읽는거를 방금 끝내서 촉박하지만 그래도 제시간에 나름 읽긴 했으니깐ㅎ 그냥 넘어가고 읽은 것을 정리하고 다시 고민하고자 글을 쓴다배경은 2014년 Imagenet 대회이고 지금 분석하는 논문의 모델은 Googlenet으로 당시 V

aprkfrmrgua

ILSVRC-2014 대회에서 우승을 한 모델

mlnonmoon

Presenter : 황보겸 Date : 2022년 10월 8일 Paper : Going Deeper with Convolutions(GoogLeNet) 1. Abstract 이 모델의 주요 특징은 연산을 하는 데 소모되는 자원의 사용 효율이 개선되었다는 것이다.

ta1231

Image classification 정리

abrahamkim98

CNN을 활용한 Image-Level Classification의 발전 과정을 살펴보자

ss-hj

2014년에 개최된 ILSVRC에서 우승을 한 모델은 GoogLeNet이다. 이후 Inception이란 이름으로 논문을 발표했다. 이 Inception의 V1부터 V3까지 알아보자.

sanha9999

We need to go deeper

rnjsdb72

인셉션(Inception)이라는 합성곱 신경망 구조 제안ILSVRC14에서 분류와 탐지에 SOTA를 제공네트워크 안에서 계산 자원의 효율성을 향상계산량은 일정하게 유지한 채 네트워크의 깊이와 너비 증가질을 높이기 위해 구조는 Hebbian 원리와 multi-scale

coral2cola

LeNet-5, AlexNet, ZFNet, VGG-16, GoogLeNet, ResNet

gooook

CNN의 구조와 활용

maxha97

Convolution 합성곱Channel 채널Filter 필터StridePadding 패딩Pooling 풀링CNN, Convolutional Neural Network 요약Convolution 레이어 과 Pooling 레이어Convolution 정의 필터를 이용하여 입

rnjsdb72

이미지 분류 모델을 측정하기 위한 데이터로 가장 많이 사용하는 데이터셋2만 개 이상의 클래스와 약 1400만장의 이미지로 구성ILSVRC(ImageNet Large Scale Visual Recognition Challenge) 대회에서 사용Yann LeCun 교수가

rnjsdb72

합성곱 신경망(CNN; Convolutional Neural Network) 이미지 인식, 음성 인식에서 자주 사용 합성곱 계층(Convolution Layer), 풀링 계층(Pooling Layer) 존재 풀링 계층은 생략 가능 완전 연결 계층(Fully-

tobigs1516_image

작성자 : 동국대학교 통계학과 이윤정

iissaacc

딥러닝에서 유명한 짤이다. 코드명이 인셉션이라서 그런지 Reference 1번에 위 이미지 주소를 달아놨고 딥러닝 분야의 유명한 밈이 됐다.

peterpictor

기존 컨볼루션 연산(커널을 통한 연산)을 MLPConv 연산을 대체(비선형 함수를 활성함수로 포함하는 MLP 사용)신경망의 미소 신경망이 주어진 수용장의 특징 추상화전역 평균 풀링 사용VGGNet의 완견 연결층은 1억2천2백만개 매개변수를 가짐많은 매개변수로 과잉적합

woojinn8

ILSVRC-2014에서 우승한 CNN Network인 GoogLeNet에 대한 내용입니다.

snoop2head

Inception Module과 GoogleNet