| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | |||
| 5 | 6 | 7 | 8 | 9 | 10 | 11 |
| 12 | 13 | 14 | 15 | 16 | 17 | 18 |
| 19 | 20 | 21 | 22 | 23 | 24 | 25 |
| 26 | 27 | 28 | 29 | 30 | 31 |
- CARLA simulator
- 커스텀 애니메이션 적용
- Carla
- VOC 변환
- 사회초년생 추천독서
- 논문 분석
- Custom Animation
- Docker
- TensorFlow Object Detection 사용예시
- Object Detection Dataset 생성
- TensorFlow Object Detection API install
- 개발흐름
- TensorFlow Object Detection Model Build
- object detection
- Paper Analysis
- 논문분석
- 리눅스 빌드
- 객체 탐지
- TensorFlow Object Detection Error
- 기능과 역할
- InstructPix2Pix
- DOTA dataset
- paper review
- Branch 활용 개발
- Towards Deep Learning Models Resistant to Adversarial Attacks
- 크롤링
- Git
- DACON
- AI Security
- Linux build
- Today
- Total
목록논문 분석 (2)
JSP's Deep learning
[Paper Review - Object Detection] 6. YOLOv3 : An Incremental Improvement
1. 요약 YOLOv3는 Residual 기법이 적용된 DarkNet-53 구조를 사용하였다. 클래스 분류에 Logistic classifiers를 사용하였다. K-means 클러스터링을 통해서 Bounding box priors을 구성했다. (Bounding box priors에 대해서는 뒤에서 설명한다) 3-scales feature map을 사용하여 feature을 추출한다. YOLOv3는 YOLOv2와 비교했을 때, 작은 객체에 대한 탐지 성능이 향상되었다. 2. 용어정리 1) Linear activation f(x) = cx의 식을 가지는 선형 활성화 함수 다중 출력이 가능하다. 미분 값이 상수이기 때문에 오차역전파를 통한 학습이 불가능하다는 특징이 존재한다. 2) Upsampling Decon..
[Paper Review - Object Detection] 5. YOLO9000 : Better, Faster, Stronger
1. 요약 YOLO9000은 9000개 이상의 categories에 대해서 detection이 가능한 object detection system이다. (YOLOv1은 200-classes) YOLOv2는 Speed와 accuracy의 tradeoff가 잘 절충된 model이다. YOLO9000에서는 Classification dataset과 detection dataset을 결합하여 학습하는 방법을 사용했다. 결론적으로, COCO dataset에 없는 class에 대해서도 Object detection이 가능하게 되었다. (단, 비슷한 형태의 세부 카테고리의 객체에 대해서 탐지가 가능해진 것!) 2. 주요 용어(간단 정리) ...상세한 사항은 관련 논문을 찾아봐야합니다... 1) ResNet Residu..