Arc Lab.'s Blog

[업데이트 2018.09.06 13:23] 1. 베이스 논문[논문 요약17] Perceptual Generative Adversarial Networks for Small Object Detection(http://arclab.tistory.com/172) We compare the result of Perceptual GAN with all the existing methods that achieved best performance on the Caltech testing set, including VJ [37], HOG [5], LDCF [27], Katamari [2], SpatialPooling+ [30], TA-CNN [36], Checkerboards [43], CompACT-Deep [44]..

[업데이트 2018.09.05 13:41] 1. 베이스 논문[논문 요약17] Perceptual Generative Adversarial Networks for Small Object Detection에서 참조한 논문입니다.(http://arclab.tistory.com/172) Some efforts [4, 25, 18, 39, 23, 1] have been devoted to addressing small object detection problems. One common practice [4, 25] is to increase the scale of input images to enhance the resolution of small objects and produce high-resolution ..

[업데이트 2018.09.05 11:41] 1. 베이스 논문[논문 요약17] Perceptual Generative Adversarial Networks for Small Object Detection에서 참조한 논문입니다.(http://arclab.tistory.com/172) For traffic sign detection, we use the pretrained VGG-CNN-M-1024 model [3] as adopted in [24] to initialize our network. 2. 레퍼런스 논문[3] K. Chatfield, K. Simonyan, A. Vedaldi, and A. Zisserman. Return of the devil in the details: Delving deep ..

[업데이트 2018.09.05 10:55] 1. 베이스 논문[논문 요약17] Perceptual Generative Adversarial Networks for Small Object Detection(http://arclab.tistory.com/172) We compare the result of Perceptual GAN with all the existing methods that achieved best performance on the Caltech testing set, including VJ [37], HOG [5], LDCF [27], Katamari [2], SpatialPooling+ [30], TA-CNN [36], Checkerboards [43], CompACT-Deep [44]..

[업데이트 2018.09.05 14:47] 1. 베이스 논문[논문 요약17] Perceptual Generative Adversarial Networks for Small Object Detection(http://arclab.tistory.com/172) Some efforts [4, 25, 18, 39, 23, 1] have been devoted to addressing small object detection problems. Some others [39, 23, 1] focus on developing network variants to generate multi-scale representation which enhances high-level small-scale features with m..

[업데이트 2018.08.29 10:33] 열일곱번째 요약할 논문은 "Perceptual Generative Adversarial Networks for Small Object Detection" (https://arxiv.org/pdf/1706.05274v2.pdf) 입니다. 본 논문은 해상도가 낮고, 노이즈가 심한 사물의 경우 detection이 어려운데, 논문에서 제안한 Perceptual GAN을 통해 small object에 대해 "super-resolved" 과정을 거쳐 최종적으로 이미지 인식률을 높이는 방법을 제안하고 있습니다. (Figure 1) 기존의 Fast R-CNN, Faster R-CNN과 같은 object detection deep learning pipeline의 경우 고해상도..

[업데이트 2018.07.14 19:36] 열여섯번째 요약할 논문은 "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks"(https://arxiv.org/pdf/1506.01497.pdf) 입니다. 기존 Fast R-CNN 대비 새롭게 추가된 부분은 아래에서 볼 수 있듯이 RPN(Region Proposal Network) 입니다. RPN의 경우 sliding window 적용후 생성된 intermediate layer에 Fully Convolutional Network(FCN)를 사용하며, 기존의 region proposals를 CNN에 통합하여 shared computation을 통해 성능 향상을 시킬 수 있었..

[업데이트 2018.10.18 19:28] 열다섯번째 요약할 논문은 "Fast R-CNN"(https://arxiv.org/pdf/1504.08083.pdf) 입니다. 본 논문은 기존의 R-CNN이 가진 Speed Bottleneck을 개선한 논문입니다. 기존 R-CNN의 경우 아래와 같이 Speed Bottleneck을 가지고 있습니다.

[업데이트 2018.07.11 12:21] 열네번째 요약할 논문은 "A Neural Algorithm of Artistic Style"(https://arxiv.org/pdf/1508.06576.pdf) 입니다. 본 논문은 deep neural network를 이용하여 입력으로 주어진 content image와 style image를 통해 generated image를 생성하는 방법을 제안하고 있습니다. 즉, 윤곽, 형태는 content image와 유사하게 만들면서, 텍스쳐나 스타일은 style image와 유사하게 조합하는 것을 의미합니다. 아래의 그림에서 볼 수 있듯이 content image와 style image가 적절히 조합되어 최종적으로 generated image를 만들게 됩니다. 또한 아..

[업데이트 2018.08.09 10:53] 열세번째 요약할 논문은 "Generative Adversarial Nets"(http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf) 입니다. 페이스북 인공지능 연구팀의 리더이자 딥러닝 석학인 얀 르쿤(Yann LeCun) 교수는 최근 10년간 머신러닝 분야에서 가장 혁신적인 아이디어라고 이야기했다고 합니다. 2014년 발행된 해당 GAN 논문을 시작으로 최근까지 많은 GAN 논문들이 쏟아지고 있습니다. 대부분의 딥러닝 분야 논문들이 지도학습을 기반으로 연구되었던 것에 반해 GAN은 비지도학습 모델입니다. GAN이후 deep convolutional network가 적용된 DCGAN 등 CNN을 비지도..