KUBIG 2023-2 활동 블로그

*YOLOv5은 논문이 존재하지 않아 reference를 참고해서 모델 리뷰를 진행해보았습니다. YOLOv5 YOLO 시리즈 흐름 YOLOv1 : 2016년에 발표된 최초 버전으로, 실시간 객체 검출을 위한 딥러닝 기반의 네트워크 YOLOv2 : 2017년에 발표된 두 번째 버전으로, 성능을 개선하고 속도를 높인 것이 특징, Darknet19을 제안, Anchor Box 도입으로 인한 학습 안정화 YOLOv3 : 2018년에 발표된 세 번째 버전으로, 네트워크 구조와 학습 방법을 개선하여 객체 검출의 정확도와 속도를 모두 개선, v2 모델에 비해 탐지 속도는 약간 느려졌지만 탐지 성능을 또 대폭 개선, Darknet-53로 변경 YOLOv4 : 2020년 4월에 발표된 네 번째 버전으로, SPP와 PAN..

2023 Summer Session/CV Team 1 2023. 8. 3. 23:50

논문 제목: YOLO9000:Better, Faster, Stronger(YOLOv2) 작성자: 17기 김희준 1. Introduction 현재 object detection의 데이터셋은 classfication과 같은 여타 task에 쓰이는 데이터셋보다 양이 현저히 적다. 본 논문은 YOLO9000을 소개하며 classification에서 쓰이는 많은 양의 데이터셋(ImageNet)과 비교적 적은 양의 detection 데이터셋(COCO)을 함께 학습하는 방식을 사용한다. 이름에 붙은 9000은 9000개의 object를 detect할 수 있다는 의미이다. 논문에서는 3가지 파트로 나누어 모델을 설명하고 있다. Better: YOLOv1의 단점과 이를 개선한 내용 Faster: YOLOv2의 neura..

2023 Summer Session/CV Team 1 2023. 8. 3. 17:03

BackGround 0. 생성모델이란 - 생성모델 : 데이터를 생성해내는 모델, 주어진 데이터를 바탕으로, 해당 데이터의 분포를 따르는 유사하지만 기존에는 없던 새로운 데이터를 생성해내는 모델 데이터가 가지고 있는 latent(데이터가 가지고 있는 잠재적인 변수) space를 학습한다. Latent vector는 한 이미지가 가지고 있는 잠재적인 벡터 형태의 변수로 이런 latent vector들이 모여서 latent space가 형성된다. Latent space에는 우리가 학습시킬 이미지들이 latent vector의 분포 형태로 존재하게 되고 우리는 모델을 통해서 이미지가 가지고 있는 latent의 분포를 학습하는 것이다. → 그림과 같이 classification과 detection에서는 이미지에서..

2023 Summer Session/CV Team 1 2023. 8. 1. 23:18

각각의 역할을 가진 두 모델이 경쟁 과정을 통해 진짜에 가까운 가짜를 만들어 내도록 하는 프레임워크 1. Introduction 생성 모델의 경우 선형적인 단위의 이점을 활용하기 어려워, 이러한 어려움을 피할 수 있는 새로운 generative model을 소개하는 논문이다. GAN은 생성모델(G)과 구별모델(D) 두 가지 모델을 경쟁시켜 성능을 끌어올리는 구조로, 처음에는 G가 만들어 낸 결과를 D가 잘 구별하지만, 점점 진짜와 가짜가 비슷해지며 D가 이를 잘 구별해 낼 확률은 1/2이 된다. 따라서 G는 D가 실수할 확률을 높이는 방향으로 학습되며, 이는 2인용 minimax 게임과 비슷하다. GAN은 모델이 모두 다층퍼셉트론일 때 적용하기 쉬운데, 본 논문에서도 G가 다층 퍼셉트론을 통해 랜덤 노이..

2023 Summer Session/CV Team 1 2023. 7. 31. 17:53

Image Style Transfer Using Convolutional Neural Networks 1. Summary - 기존의 방식과 다르게 style transfer는 CNN 필터를 사용하여 얻은 high value feture을 사용하였다. 특히 본 알고리즘은 임의의 사진에 대해 잘 알려진 예술작품의 화풍을 입히는 방식을 구현했고 이는 CNN을 활용한 deep immage represnetation에 대한 통찰력을 제공하였다. transfering stype은 다시 말해 texture transfer로 고려될 수 있으며 이것은 source image의 texture를 합성함과 동시에 target image의 semantic content를 보존하는 것이다. 기존의 texture transfer ..

2023 Summer Session/CV Team 1 2023. 7. 26. 15:49

작성자: 17기 김희준 본 논문은 Image classification에서 우수한 성능을 보이는 Convolutinal Networks Model이 어떻게 좋은 성능을 보일 수 있는지 이해를 돕는다. 흔히 이런 딥러닝 네트워크를 ‘블랙박스’와 같다고도 말할 정도로 내부 동작을 이해하기란 쉬운 일이 아닌데, 모델 내부의 각 layer, filter 등을 시각화함으로써 효과적으로 이해해보고자 한다. 1. Introduction Convolutonal network가 내부적으로 어떻게 작동하고, 겹겹이 쌓은 layer들이 어떤 의미를 갖는지에 대해서 궁금증을 해소할 필요가 있다. 본 논문은 각 layers들에 포함된 feature map이 어떻게 생겼는지 시각화를 시도한다. 이 때 사용한 기법이 바로 mult..

2023 Summer Session/CV Team 1 2023. 7. 25. 15:47

일반적으로 신경망을 거친 output 만을 봐서는 개별 뉴런이 어떻게 작동하는지를 자세히 파악하기가 쉽지 않다. 성능이 좋으면 왜 좋은건지(어느 부분이 좋은 성능으로 이어진 것인지), 성능이 좋지 않으면 어느 부분이 문제인 것인지를 파악하기 어렵다. 이를 Black Box 현상이라고 하는데, 이 Black Box 내부에서 어떤 일이 일어나는지를 시각화를 통해 파악하고자 하는 것이 해당 논문의 Main Idea이다. Saliency: 돌출, 요점 사람이 이미지를 볼 때 왼쪽 위부터 차례로 훑어보지 않고 객체가 있는 지점부터 보는 것처럼, 화면에서 눈에 띄는 영역을 먼저 인식할 수 있도록 만드는 방식. ▶ 다른 영역에 비해 눈에 띄는 영역, 픽셀값의 변화가 급격한 영역을 찾아내어, 배경과 객체를 분리시킨다!..

2023 Summer Session/CV Team 1 2023. 7. 24. 19:05

Object detection frame을 변화시킨 논문 Classification + Regression의 2-steps network ▶ Single Regression problem의 Single network 이미지로부터 신경망으로 한 번에 detection 처리 → You Only Look Once ! 특징 single convolution network가 multiple bounding boxes + class probabilities 동시에 예측한다. 전체 이미지를 직접적으로 학습한다. → Unified model - Extremely Fast: real-time detection 가능 - Reasons globally: background error 감소 - Generalizable: 새로..

2023 Summer Session/CV Team 1 2023. 7. 19. 14:56