TEAM EDA

Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation DeepLab 시리즈의 마지막 글인 DeepLabv3+의 리뷰를 하도록 하겠습니다. v3+ 또한 기존의 논문들과 구성 자체는 비슷하기에, 기존의 DeepLab 논문을 아직 안보시는 분들은 아래의 글을 먼저 참고하시기 바랍니다. DeepLabv1 : https://eda-ai-lab.tistory.com/589 DeepLabv2 : https://eda-ai-lab.tistory.com/593 DeepLabv3 : https://eda-ai-lab.tistory.com/596 Motivation 위의 DeepLabv3의 그림을 보면 알겠지만, 한계점 중에 하나가..

Pyramid Scene Parsing Network (PSPNet) Review papers : https://arxiv.org/pdf/1612.01105.pdf 0. Abstract FCN 기반의 모델은 global scene category clue를 활용하지 못하기 때문에 Open Vocabulary 와 diverse secens 두 가지 어려운 점을 가지고 있습니다. 위의 문제를 해결하기위해서 Pyramid Pooling Modules를 이용한 PSPNet을 제안합니다. Global context information을 탐색하는 능력을 가집니다. 서로 다른 영역을 기반으로 하는 Context를 탐색할 수 있습니다. 이는 local 및 global clue를 모두 활용해서 reliable pred..

DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs DeepLabv2는 DeepLabv1과 굉장히 유사합니다. 그래서, v1을 아직 안읽으신 분은 https://eda-ai-lab.tistory.com/589의 글을 먼저 읽고 v2을 읽으시기 바랍니다. 해당 글에서는 기존 v1과 v2의 차별화 지점에 대해서만 주로 설명할 예정입니다. paper : https://arxiv.org/abs/1606.00915 DeepLabv1 vs DeepLabv2 DeepLabv1과 v2의 차별화 지점은 두가지가 있습니다. ASPP (Atrous Spatial Pyramid ..

Multi-Scale Context Aggregation by Dilated Convolutions (DilatedNet) papers : https://arxiv.org/pdf/1511.07122.pdf 0. Abstract Dense prediction 문제는 일반적으로 Image Classficiation과는 다릅니다. Dense prediction 문제에 적합한 새로운 Convolutional Network Module을 제안합니다. 제안된 모듈인 Dilated Convolution은 해상도를 잃지 않고 다양한 크기의 contextual information을 통합합니다. 특히 Receptive field를 지수적으로 증가시키면서도 해상도를 잃지 않습니다. 위의 방법을 통해서 Semantic Se..

Semantic Image Segmentation With Deep Convolutional Nets And Fully Connected CRF DeepLabv1부터 v3+까지의 연구는 기존 Image Classification에 맞는 모델을 사용하는게 아니라, Semantic Segmentation에 맞는 모델을 개발한 연구입니다. vgg16 네트워크를 그대로 가져왔지만, 논문에서는 세그멘테이션 테스크에 맞게 어떤 점을 수정했는지 한번 확인해보도록 하겠습니다. paper : https://arxiv.org/abs/1412.7062 code : https://bitbucket.org/deeplab/deeplab-public Abstract DCNN (Deep Convolutional Neural Netw..

Deconvolutional Network (DeconvNet) DeconvNet은 2015년도 CVPR에 소개된 논문으로 FCN의 한계를 극복한 논문입니다. FCN의 경우에는 큰 Object와 작은 Object를 구분을 못하는 문제가 있었습니다. 논문에서는 이를 고정된 Receptive Field를 가지는 Convolution과 단순한 Deconvolution 구조때문이라고 표현합니다. 이를, 해결하기위해서 Encoder-Decoder 구조를 통해서 해결하려고 하는데, 어떤식으로 네트워크가 발달되었는지 한번 살펴보도록 하겠습니다. paper : https://arxiv.org/abs/1505.04366 code : https://github.com/HyeonwooNoh/DeconvNet Abstract..

해당 강의는 CS231의 Detection and Segmentation 강의를 보고 정리한 내용입니다. 보통의 이미지 분류의 문제는 이미지가 들어오면, 해당 이미지가 속하는 카테고리에 대한 출력을 제공합니다. 위의 예시는 고양이 사진을 보고, 1000개의 카테고리에서 각각의 클래스에 속할 확률을 제공합니다 이번에는 이를 좀 더 심화한 Object Detection에 대해서 보겠습니다. Sementic Segmentation 문제에서는 입력은 이미지이고, 출력으로 이미지의 모든 픽셀에 카테고리를 정합니다. 가령 이 예제의 경우는 입력이 고양이고 출력은 모든 픽셀에 대해 픽셀이 "고양이, 잔디, 하늘, 나무"로 분류합니다. 하지만, 기존의 Classification과 다른 점은 이미지 전체에 카테고리 하나..