Computer Vision109 [2025-1] 유경석 - Road Extraction by Deep Residual U-Net https://arxiv.org/pdf/1711.10684AbstractRoad extraction은 원격 감지 이미지 분석 분야의 뜨거운 연구 주제Residual learning과 U-Net의 결합 구조를 통해 Road extraction 수행 1) Residual unit은 Deep network의 training이 더욱 쉽게 이루어지도록 함.2) Skip connection은 information propagation을 통해, 더 적은 parameter로 더 좋은 성능을 보임.Public road dataset을 분석하는 연구에서, 다른 network에 비해 ResUNet이 더 좋은 성능을 보였음. 1. IntorductionRoad extraction원격 감지 분야의 대표적인 기술로, 자동화 네비.. 2025. 1. 17. [2025-1] 전윤경-U-Net: Convolutional Networks for BiomedicalImage Segmentation 0. Abstract 제한된 주석 데이터 샘플을 보다 효율적으로 활용하기 위해 데이터 증강을 활용하는 네트워크와 학습 전략을 제안수축 경로(contracting path): context을 캡처확장 경로(expanding path): 정확한 위치 추정을 가능=> 소량의 이미지로 end-to-end 학습 가능 1. Introduction전통적 컨볼루션 네트워크는 단일 클래스 레이블을 출력하여 위치 정보를 포함하지 못함.Ciresan et al.: 슬라이딩 윈도우 방식으로 각 픽셀 주변의 지역(패치)을 입력으로 픽셀의 클래스 레이블을 예측장점:위치 추정,패치 개수가 학습이미지 개수보다 만항 데이터 상대적 증가단점:속도: 네트워크가 각 패치마다 개별적으로 실행, 중첩되는 패치위치 정확도와 맥락 정보 활용의.. 2025. 1. 10. [2025-1] 김유현 - Conditional Generative Adversarial Nets https://arxiv.org/abs/1411.1784 Conditional Generative Adversarial NetsGenerative Adversarial Nets [8] were recently introduced as a novel way to train generative models. In this work we introduce the conditional version of generative adversarial nets, which can be constructed by simply feeding the data, y, we wish to conditiarxiv.org 0. AbstractGenerative Adversarial Nets의 조건을 추가한 conditional 버.. 2025. 1. 9. [2025-1] 한영웅, 전윤경 - UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation (IEEE 2019) IntroductionUNet++는 의료 영상 분할에서 널리 사용되는 U-Net 및 FCN(Fully Convolutional Networks)의 한계를 극복하기 위해 제안된 새로운 신경망 구조.기존 U-Net의 두 가지 주요 문제:최적 네트워크 깊이의 불확실성:U-Net과 같은 인코더-디코더 구조에서 네트워크의 최적 깊이는 태스크의 난이도와 학습 가능한 데이터 양에 따라 달라질 수 있음.제한적인 스킵 연결 (skip connection) 설계:기존 U-Net의 스킵 연결은 동일한 해상도의 인코더와 디코더 특징 맵만 결합하도록 강제.그러나 이러한 동일 해상도 특징 맵은 의미적으로 유사하지 않을 수 있으며, 이러한 설계가 최적이라는 이론적 근거도 없음.UNet++의 해결 방안:다양한 깊이를 가진 U-Net.. 2025. 1. 8. 이전 1 ··· 10 11 12 13 14 15 16 ··· 28 다음
