KUBIG 2023-2 활동 블로그

논문 제목: End-to-End Object Detection with Transformers 작성자: 17기 김희준 1. Introduction Detection의 목적은 bounding box와 객체의 label 조합을 예측해내는 것이다. 기존의 detection 모델들은 proposal, anchor 등을 많이 만들어놓고 postprocessing(후처리)에 많은 투자를 하여 이 정보를 바탕으로 조합을 예측한다. 이런 방식을 indirect하다고 한다. 이 방식의 단점은 많은 anchor box를 만들다 보니 하나의 ground truth에 매칭되는 anchor box 역시 여러개가 되는 many-to-one 현상이 발생하고, 이러한 중복을 제거하기 위해 후처리에 많은 시간을 들여야 한다는 점이다...

2023 Summer Session/CV Team 1 2023. 8. 17. 18:09

Mask R-CNN 0. Abstract - 본 연구진은 object instance segmentation을 위한 단순하고, flexible 하며 general한 프레임 워크를 구축하였다. 본 모델은 이미지의 object를 detect함과 동시에 각각의 인스턴스에 대하여 고퀄리티의 segmentation mask를 생성한다. 이 방법을 Mask R-CNN이라고 하며 Faster R-CNN의 bounding box recognition에 object mask를 예측하는 파이프 라인을 parallel하게 더한 것이다. Mask R-CNN은 학습하기 쉬우며 다른 task에 일반화하기가 쉽다는 장점을 가진다. 이 방법은 COCO의 3개의 챌린지(instance segmentation, boundingbox o..

2023 Summer Session/CV Team 1 2023. 8. 17. 00:35

1. Introduction & Overview CornerNet은 anchor box 없이 객체를 탐지하는 방법을 제안한다. 좌측 상단과 우측 하단의 keypoint만으로 bbox를 찾아내기 때문에, 기존의 one stage detector들이 가지고 있었던 다음과 같은 문제들로부터 자유롭다. - 기존 detection 방식은 G.T.와 충분히 겹치는 anchor box를 찾기 위해 매우 많은 수의 anchor box를 생성해야 하고, 이로 인해 학습 속도가 느려진다는 문제점이 있었다. - anchor box를 사용하는 경우 개수, 크기, 종횡비 등 관련 hyper-parameter들이 많이 필요하다는 문제점이 있었다. 2. Structure CornerNet의 기본 구조는 다음과 같다. Backbon..

2023 Summer Session/CV Team 1 2023. 8. 14. 16:47

객체 스케일 변화를 잘 감지하는 것은 Detection의 주요 challenge 중 하나이다. M2Det은 멀티레벨과 멀티스케일 방식을 바탕으로 객체 스케일 변화 민감도 문제를 해결한다. * YOLO도 학습 데이터를 다향한 스케일로 resize하여 학습시키는데, 이 역시 멀티스케일 방식이다. 0. Background Detection Task에서 Scale variation 관련 문제를 해결하기 위해 FPN(Feature Pyramid Network)를 사용한다. 그러나 FPN 특징 맵은 classification을 목적으로 하기 때문에 backbone이 간단하게 설계되어 있고, 주로 single level로 설계되어 좋은 detection 성능을 내기에는 한계가 있다. * single level 맵은 ..

2023 Summer Session/CV Team 1 2023. 8. 9. 14:57

논문 제목: Single-Shot Refinement Neural Network for Object Detection(RefineDet) 작성자: 17기 김희준 1. Introduction object detection은 two-stage 방식과 one-stage 방식으로 나뉘어진다. two-stage 방식에는 Selective Search, RPN, R-CNN 등이 있고, one-stage 방식에는 YOLO, SSD 등이 있다. one-stage 방식은 많은 연산량에도 불구하고 속도적인 측면에서 효율적이지만, class가 불균형하다는 문제로 인해 detection accuracy가 two-stage보다 뒤처져있다. two-stage는 비교적 느린 속도이지만, stage를 2개 거치는 만큼 훨씬 높은 d..

2023 Summer Session/CV Team 1 2023. 8. 9. 11:28

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 1. Introduction -SOTA 모델은 region proposal 알고리즘을 사용해왔으며 이렇게 구현한 SPP와 Fast R-CNN은 객체 탐지 시간을 크게 줄였다. 다만 region proposal 과정에서 bottleneck 현상이 발생한다는 단점이 있으며 본 논문은 Region Proposal Network (RPN)을 제공함으로써 cost free region proposals를 가능하게 한다(e.g., 10ms per image). RPN은 object bounds와 각 위치에서의 objectness(객체 존재 여부)를 동시에 예측하는 합성곱 네트..

2023 Summer Session/CV Team 1 2023. 8. 7. 21:22

논문 제목: Generative Adversarial Nets 작성자: 17기 김희준 1. Introduction 딥러닝은 natural images, audio waveform, natural language 등에서 큰 성과를 거두었다. 특히 discriminative model이 가장 뛰어난데, 이는 고차원의 input에 class label을 매겨주는 모델로, 우리가 흔히 알고 있는 classification model 등을 의미한다. 그러나 deep generative model은 maximum likelihood estimation에 쓰이는 interactable probabilistic computation에서 적잖은 어려움을 겪었고, 본 논문은 새로운 방식의 adversarial nets f..

2023 Summer Session/CV Team 1 2023. 8. 5. 16:30

YOLOv7 논문은 Inference cost의 증가 없이 detection accuracy를 향상시키는 것을 목표로 한다. 그 방식을 'Trainable bag-of-freebies'이라고 하며, 저자들은 구체적으로 model reparameterization & Label assginment 에 관한 방식을 제안한다. 0. Base 현재 Real-time object detector 중 SOTA 모델은 YOLO에 기반한 모델인데, 다음과 같은 특성 요구된다. 빠르고 강한 network architecture 효율적인 feature integratino method 정확한 detection method 탄탄한 loss function 효율적인 label assignment 효율적인 training me..

2023 Summer Session/CV Team 1 2023. 8. 4. 15:26