Paper Review
-
결국 이 논문을 통한 구현은 안 하게 되었지만, 일본 자료 덕분에 읽을 만했던 논문 - 이것도 블로그용으로 추후 다시 작성할 예정... 참고 URL ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels" (slideshare.net) ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels" 第55回 コンピュータビジョン勉強会@関東 ICCV読み会の資料です。 "Learning Single Camera Depth Estimation using Dual-Pixels"について解説しております。 https://kantocv.connpass.com/event/148011/ www.sl..
Learning Single Camera Depth Estimation using Dual-Pixels결국 이 논문을 통한 구현은 안 하게 되었지만, 일본 자료 덕분에 읽을 만했던 논문 - 이것도 블로그용으로 추후 다시 작성할 예정... 참고 URL ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels" (slideshare.net) ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels" 第55回 コンピュータビジョン勉強会@関東 ICCV読み会の資料です。 "Learning Single Camera Depth Estimation using Dual-Pixels"について解説しております。 https://kantocv.connpass.com/event/148011/ www.sl..
2021.10.03 -
나중에 블로그용으로 다시 작성할 것!
HITNet: Hierarchical Iterative Tile Refinement Network for Real-time Stereo Matching나중에 블로그용으로 다시 작성할 것!
2021.10.03 -
나중에 다시 블로그 용으로 편집해야지 https://wind-nerve-8e9.notion.site/SIMPLE-ONLINE-AND-REALTIME-TRACKING-32300a4d79cb409f880c8dfd007e7970
SIMPLE ONLINE AND REALTIME TRACKING나중에 다시 블로그 용으로 편집해야지 https://wind-nerve-8e9.notion.site/SIMPLE-ONLINE-AND-REALTIME-TRACKING-32300a4d79cb409f880c8dfd007e7970
2021.10.03 -
Abstract a huge number of features → to improve CNN accuracy YOLO v4 - use new features and achieve state-of -the-art results.2) CSP (Cross-Stage-Partial-Connections)4) SAT (Self-Adversarial-Training)6) Mosaic Data Agumentation8) CIOU Loss 7) Drop Block Regularization 5) Mish Activation 3) CmBN (Cross mini-Batch Normalizations) 1) WRC (Weighted-Residual-Connections) ⇒ acheive: MS COCO dataset AP..
YOLOv4: Optimal Speed and Accuracy of Object DetectionAbstract a huge number of features → to improve CNN accuracy YOLO v4 - use new features and achieve state-of -the-art results.2) CSP (Cross-Stage-Partial-Connections)4) SAT (Self-Adversarial-Training)6) Mosaic Data Agumentation8) CIOU Loss 7) Drop Block Regularization 5) Mish Activation 3) CmBN (Cross mini-Batch Normalizations) 1) WRC (Weighted-Residual-Connections) ⇒ acheive: MS COCO dataset AP..
2021.10.03 -
눈/얼음 공존 섬네일의 구름 검출 정확도를 향상시키기 위해, 인코더-디코더 U-shape 구조를 갖는 CDnetV2라는 새로운 구름 검출 신경망을 제안한다. 📌 Main 1) CDnetV2: encoder-decoder U형 구조 → 구름-눈 공존 위성 썸네일에서의 효과적인 구름 인식 2) AFFM = AFM + SAFM + CARM: multilevel 특징맵 융합 + representation power 향상 3) 일련의 HSIGFs: decoder에서 diluted high-level semantic information 구제→ 각 레벨의 특징맵이 구름 객체의 위치를 명시적으로 인식하게 CDnetV2(HSIGF + AFFM): 눈으로 덮인 썸네일에서 흐린 영역을 안정적으로 식별하기 위해 차별적인 특..
CDnetV2: CNN-Based Cloud Detection for Remote Sensing Imagery With Cloud-Snow Coexistence눈/얼음 공존 섬네일의 구름 검출 정확도를 향상시키기 위해, 인코더-디코더 U-shape 구조를 갖는 CDnetV2라는 새로운 구름 검출 신경망을 제안한다. 📌 Main 1) CDnetV2: encoder-decoder U형 구조 → 구름-눈 공존 위성 썸네일에서의 효과적인 구름 인식 2) AFFM = AFM + SAFM + CARM: multilevel 특징맵 융합 + representation power 향상 3) 일련의 HSIGFs: decoder에서 diluted high-level semantic information 구제→ 각 레벨의 특징맵이 구름 객체의 위치를 명시적으로 인식하게 CDnetV2(HSIGF + AFFM): 눈으로 덮인 썸네일에서 흐린 영역을 안정적으로 식별하기 위해 차별적인 특..
2021.10.03 -
구현의 상세한 부분까지 알려주지는 않았던 논문 이전 연구에서 cluster assumption이 성공에 중요함을 알아냈다. BUT 데이터의 분포는 클래스를 분리하는 저밀도 영역을 나타내지 않는다. 따라서, 저밀도 영역없이 reliable한 성능을 얻기 위해 CutMix 증강으로 표준 dataset에서 좋은 semi-supervised semantic segmentation 결과를 얻는다. : x̂이 x를 통과하는 distance 등고선에 있거나 매우 가깝게 위치하도록 x에 적용되는 섭동을 제한하면 학습된 decision boundary는 (d)처럼 true class boundary와 잘 정렬된다! 적절한 perturbation ⇒ CutMix ! 를 제안한다. 논문에서는 mean teacher fram..
Semi-supervised semantic segmentation needs strong, varied perturbations구현의 상세한 부분까지 알려주지는 않았던 논문 이전 연구에서 cluster assumption이 성공에 중요함을 알아냈다. BUT 데이터의 분포는 클래스를 분리하는 저밀도 영역을 나타내지 않는다. 따라서, 저밀도 영역없이 reliable한 성능을 얻기 위해 CutMix 증강으로 표준 dataset에서 좋은 semi-supervised semantic segmentation 결과를 얻는다. : x̂이 x를 통과하는 distance 등고선에 있거나 매우 가깝게 위치하도록 x에 적용되는 섭동을 제한하면 학습된 decision boundary는 (d)처럼 true class boundary와 잘 정렬된다! 적절한 perturbation ⇒ CutMix ! 를 제안한다. 논문에서는 mean teacher fram..
2021.10.03