개발log

U-Net → Biomedical 분야에서 이미지 분할(Image Segmentation)을 목적으로 제안된 End-to-End 방식의 Fully-Convolutional Network 기반 모델 Biomedical Image Segmentation을 위한 네트워크 → Biomedical Image 특성 상 전체적인 사진의 부분 부분의 클래스 도출을 위함 U-Net은 FCN을 기반으로 확장한 네트워크 → resolution을 증가, Skip connection 사용 더 적은 데이터를 가지고 더욱 정확한 Segmentation을 수행 → Data augumentation기법을 사용 [Network Architecture] → U-Net은 이미지의 전반적인 컨텍스트 정보를 얻기 위한 네트워크와 정확한 지역화..

SegNet Semantic Segmentation for Scene Recognition(장면을 다양한 개체의 구성 요소로 분할하는 작업) 을 위한 네트워크 Encoder와 Decoder로 나뉨 Encoder단에 VGG16을 사용 (FCL를 제외한 13개 convolution layers만을 사용) 메모리 사용량과 연산 속도 측면에서 효율적인 네트워크 [간단한 VGG16 리뷰] VGG 16 기존의 Network들 보다 층을 깊게 가져감 깊어지면서 분류 에러가 감소하는 것을 관찰 더 작은 크기의 kernel로 더 많은 covolution을 진행 → 파라미터의 개수가 줄어들어 학습의 속도가 빨라짐 그와 동시에 층의 개수가 늘어나면서 특성에 비선형성을 더 증가하며 성능 향상 → ex) [산출된 특성맵의 사이..

이번에 진행하고 있는 CV 프로젝트를 위해서 공부하고 있는 개념들이나 모델들을 정리하는 겸 글을 적어보려 한다. 우리 프로젝트는 Segmentation과 Object Localization/Detection과 관련된 주제를 다루고 있다. 그래서 이에 대해서 공부하고 어떤 모델을 왜 선택했는지에 대해서 기록할 예정이다. 먼저, Segmentation에 대해서 알아보자. Before learning Semantic Segmentation What is Classification, Object Localization/Detection, Segmentation? Classification 하나의 인풋에 하나의 레이블만을 예측 Object Localization/Detection 물체의 레이블을 예측함과 동시에 ..