CV160 [2024-2] 황영희 - ImageNet Classificatioin with Deep Convolutional Neural Networks(AlexNet) https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html Papers with Code - ImageNet Classification with Deep Convolutional Neural Networks#4 best model for Graph Classification on HIV-fMRI-77 (Accuracy metric)paperswithcode.com1. Introduction이전의 데이터셋 크기는 수만 장 수준으로 상대적으로 매우 적었다. 따라서 MNIST와 같은 데이터셋에서는 라벨을 유지하면서 데이터 증강(augmentation)을 적용하면 간단한 인식 작업은 높은 성능으로.. 2024. 12. 27. [2024-2] 임재열 - GAN(Generative Adversarial Networks), Conditional GAN GAN(Generative Adversarial Networks, 생성적 적대 신경망)은 2014년 Ian Goodfellow 등이 제안한 모델입니다. 해당 논문을 요약하여 모델의 핵심 아이디어를 파악하고, GAN의 한계점을 극복하기 위해 2014년 Mehdi Mirza와 Simon Osindero가 제안한 Conditional GAN 모델도 간단하게 알아보겠습니다. [GAN]https://arxiv.org/abs/1406.2661 Generative Adversarial NetworksWe propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train tw.. 2024. 12. 21. [2024-2] 조환희 - YOLO, SSD YOLO (You Only Look Once)R-CNN과 같은 Object dectection 방법은 이미지 안에서 obejct가 존재할만한 region을 추출해내는 과정(region proposal)을 수행한 후에, 추출된 region proposal에서 classification을 수행한다. region proposal 과정을 수행한 뒤, classification을 수행하기 때문에 이런 방법들을 2 stage라고 부른다. 이런 2 stage방법은 구조가 복잡하여 느리고, 각 단계가 각각 학습되기 때문에 최적화가 어렵다는 단점이 있다. YOLO는 2단계를 순차적으로 진행하던 2 stage방법을 1 stage로 바꾼다.다시 말하면 YOLO는 region proposal을 수행한 뒤 classificat.. 2024. 12. 20. [2024-2] 박지원- SENet(Squeeze-and-Excitation Networks) #Squeeze-and-Excitation Networks (2017) Paper ) https://arxiv.org/abs/1709.01507 Squeeze-and-Excitation NetworksThe central building block of convolutional neural networks (CNNs) is the convolution operator, which enables networks to construct informative features by fusing both spatial and channel-wise information within local receptive fields at each layer. A broaarxiv.org1) SENet의 등장 계기- Squ.. 2024. 12. 19. 이전 1 ··· 27 28 29 30 31 32 33 ··· 40 다음
