본문 바로가기
728x90
반응형

segmentation3

SegNet Intro 자율주행 - road scene segmentation task를 풀고자 하였음 도로와 보도를 구분하거나, 자동차와 보행자 등 max pooling, subsampling 연산을 수행하다보면 추상적인 피처맵들이 만들어짐 ( 즉, 이미지 크기가 점점 줄어들수록 원본 정보가 손실됨 → 추상적인 결과값으로 변함) 그렇게 되면 피처맵으로 픽센 단위로 정교하게 segmentation을 못함 또한, 자율주행을 위해서는 실시간으로 빠르게 segmentation을 해야하지만, 파라미터 수가 많으면 빠르게 하지 못함. 그래서 이에 대한 문제점을 해결하기 위해 나온 것이 segnet임 Network Architecture SegNet의 encoder-decoder는 각각 13개의 convolution layer.. 2023. 7. 6.
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.
DeepLab V2: Semantic Image Segmentation with Convolutional Nets, Atrous Convolution and Fully Connected CRFs Deeplearning의 CNN 네트워크는 영상처리의 대부분의 문제에서 그 효과를 발휘하고 있음. classification와 objectDetection 문제에서 꽤나 좋은 효과를 발휘를 하였는데, 이를 segmentation에 적용을 했더니 여기서도 성능이 좋았네~ 하지만 기존의 네트워트가 classification 문제에 적합하게 구조가 짜져있어서 이를 segmentation 문제에 적용하기 위한 여러논문이 나오기 시작하는데 여기서는 deeplab이 해당됨 즉 CNN이 가지고 있는 한계점을 어떻게 극복해낼 것인가 1. Intro Deep Conv Neural Networks(DCNNs)는 image classification, object detection 등의 전반적인 CV 분야에서 좋은 성능을 .. 2023. 7. 5.
728x90
반응형