본문 바로가기

728x90

CV15

Inception-v4, Inception-ResNetand the Impact of Residual Connections on Learning 💡 Inception-v1 Inception-v2 inception-v3 Inception-v2 구조에서 위에서 설명한 기법들을 하나하나 추가해 성능을 측정하고, 모든 기법들을 적용하여 최고 성능을 나타내는 모델이 Inception-v3 Inception-v3은 Inception-v2에서 BN-auxiliary + RMSProp + Label Smoothing + Factorized 7x7 을 다 적용한 모델 [논문 읽기] Inception-v3(2015) 리뷰, Rethinking the Inception Architecture for Computer Vision 이번에 읽어볼 논문은 Rethinking the Inception Architecture for Computer Vision 입니다. 본 논.. 2023. 7. 5.

U-Net 1. Intro 본 논문에서는 CNN의 성공이 Training Set의 양이 커지면서 생긴 제한적인 이유라고 말함. 이전까지는 CNN은 Classification을 위해 많이 사용되었으나 생물학 분야의 영상 처리에서는 Localization이 중요했고, Semantic Segmentation의 중요도가 높았음. 하지만 생물학에 대한 Sample의 개수가 1000개밖에 되지 않는 것이 다수. 기존에 사용하던 sliding-window 2가지 단점 redundancy of over lapping patch(겹치는 패치의 불필요한 중복성)위의 사진에서 보이는 것과 같이 patch를 옮기면서 중복이 발생하게 됨=> 이 중복된 부분은 이미 학습된(검증된) 부분을 다시 학습하는 것이므로 똑같은 일을 반복하는 것과 .. 2023. 7. 5.

VIT [AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE] 💡 0. Abstract While the Transformer architecture has become the de-facto standard for natural language processing tasks, its applications to computer vision remain limited. In vision, attention is either applied in conjunction with convolutional networks, or used to replace certain components of convolutional networks while keeping their overall structure in place. We show that this reliance on .. 2023. 7. 5.

이전 1 2 3 다음

728x90

티스토리툴바