2023 Summer Session/CV Team 2

[3주차/논문리뷰/백서경] Visualizing and Understanding Convolutional Networks

노션에서 작성된 페이지입니다. 이미지 포함 자세한 내용은 https://western-hortensia-8e0.notion.site/Visualizing-and-Understanding-Convolutional-Networks-2013-5ecf1486d2314dd1897a4389d2369425?pvs=4 를 참고해주세요! 1. Introduction [ 문제상황 ] covolution network의 발전, 그러나 internal operation에 대해서는 이해가 부족 내부 작동에 대한 이해가 부족하다면 convnet의 발전은 trial-and-error에 지나지 않을 것 [ 제안 ] model layer의 feature map에 대한 visualization technique [ 방법론 ] Decon..

2023 Summer Session/CV Team 2 2023. 7. 26. 23:59

[3주차/논문리뷰/김지윤] Image Style Transfer Using Convolutional Neural Networks

Abstract 이미지 처리 분야에서 이미지를 다른 스타일로 변환하는 작업의 어려움과 이를 해결하기 위한 접근 방법에 대해 다룬다. 기존의 방법은 이미지와 콘텐츠를 효과적으로 분류할 수 있는 표현(representations)의 부족으로 인해 어려움이 있었지만, 이 연구에서는 객체 검출(Object Detection)을 위한 CNN 기반 이미지 표현을 활용하여 높은 수준의 이미지 정보를 활용하는 방법을 제안한다. 이를 통해 유명 작가의 스타일과 이미지를 성공적으로 결합하여 새로운 이미지를 생성할 수 있다. Introduction 스타일 변환은 주어진 소스 이미지의 콘텐츠를 유지하면서 다른 텍스쳐를 합성하여 타겟 이미지를 생성하는 것을 목표로 한다. 이를 위해 소스 텍스쳐의 픽셀을 다시 샘플링하여 원본 사..

2023 Summer Session/CV Team 2 2023. 7. 26. 23:44

[3주차 / 박민규 / 논문리뷰] Image Style Transfer Using Convolutional Neural Networks

보호되어 있는 글입니다.

보호글 2023. 7. 26. 13:54

[3주차 / 임종우 / 논문리뷰] Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps

작성자 : 17기 임종우 Image Classification을 위한 Convolutional neural network가 어떻게 동작하는지 시각적으로 확인하고자 하는 시도 Convnet을 이용하여 특정 Class score를 최대화 하는 input Image를 생성해보기 Class score에 대한 Input image의 gradient 계산, saliency map을 표현하여 어떤 pixel이 classification에 가장 큰 영향을 끼치는지 확인 Abstract 해당 논문에서는 image classification을 위한 convnet들의 시각화에 대해 조명한다. 이를 위해 input image에 대한 class score의 gradient를 계산하여 이를 기반으로 한 두가지 시각화 기법을 제안..

2023 Summer Session/CV Team 2 2023. 7. 23. 01:04

[2주차/백서경/논문 리뷰] Faster R-CNN

1. Introduction [ Region proposal method ] Fast R-CNN은 selective search를 이용하여 CPU에서 연산 -> Region Proposal method(RPN)을 제시하여 proposal 과정을 deep convolutional neural network로 전환 [ RPN ] 1. 여러 비율, 사이즈의 box에 유연한 대응 multi scaled image 각각에서 feature map 뽑아내기 -> 하나의 feature map에서 multiple filter size를 classifier에 넣기 -> anchor box 2. RPN과 Fast R-CNN 연결 region proposal과 object detection에서 convolutional fea..

2023 Summer Session/CV Team 2 2023. 7. 20. 18:37

[2주차 / 김지윤 / 논문리뷰] YOLOv1- You Only Look Once

Abstract bounding box 와 class 확률에 대한 회귀를 이용한 single network. end-to-end 빠르다. sota 모델보다 더 많은 위치 오류를 만들지만 배경인데 object로 잘못 예측할 확률은 낮아짐. Introduction 이전의 detection 모델들 1) DPM(Deformable Parts Model) : sliding window 2) R-CNN : localization과 classification 파트가 분리 되어 있는 2-stage-detector (1. Region Proposal을 통해 Object가 있을법한 영역을 찾고, 2. CNN으로 각각의 영역으로부터 고정된 크기의 Feature Vector를 뽑아낸 후, Classification 진행) 느..

2023 Summer Session/CV Team 2 2023. 7. 20. 00:00

[2주차 / 임종우 / 논문리뷰] SSD

Abstract Single deep neural network를 이용하여 object detection을 하는 새로운 방법 ground truth bbox의 각 피쳐맵 상의 위치를 표현하기 위해 다양한 종횡비와 scale을 가진 set인 default box를 사용한다. 예측시에는 각 default box에 대해 각 카테고리의 object가 있는지 없는지를 점수로 나타내고, object의 모양에 더 잘 맞아떨어지도록 조정한다. 다양한 해상도를 가진 여러 feature map에서의 예측을 통해 다양한 사이즈의 물체들을 다룰 수 있도록 한다. region proposal이 필요하던 다른 방법들과는 다르게 간단하다. 기존의 모델(Faster R-CNN, YOLO)에 비해 훨씬 빠르고 정확하다. Introdu..

2023 Summer Session/CV Team 2 2023. 7. 19. 02:55

[ 2주차 / 박민규 / 1-Stage detector ] YOLO V1, SSD

[1] 1-Stage Detector 전체 이미지에서 class probabilites 및 bounding box offset을 직접 예측하는 구조이기 때문에, 2-stage 처럼 region proposal+feature resampling 단계를 진행하지 않아 실시간 detect가 가능하다는 장점이 있다. 하지만 특정 object 하나만을 포함하고 있는 RoI(관심영역)에서 classification과 localization을 수행하는 2-stage 보다 정확도가 떨어질 수 밖에 없다는 한계를 동시에 지니고 있다. [2] Knowledge 2.1 IoU 물체가 있을 확률은 IoU(intersection over union)을 통해 계산된다. 물체의 절대적인 면적과 상관없이, 영역을 정확하게 잘 찾아내..

2023 Summer Session/CV Team 2 2023. 7. 17. 20:00

페이징

1 2 3

티스토리툴바