TEAM EDA

Redesigning Skip Connections to Exploit (UNet++) papers : https://arxiv.org/abs/1807.10165 papers : https://arxiv.org/abs/1912.05074 0. Abstract FCN 및 U-Net의 경우 2가지의 한계점이 존재합니다. 데이터셋에 맞은 모델의 최적 깊이를 알 수가 없습니다. 그래서 비용을 들여서 이를 찾아내거나 여러 깊이의 모델들을 앙상블하는 비효율적인 작업이 필요합니다. Skip Connection이 동일한 깊이를 가지는 인코더와 디코더만 연결되는 제한적인 구조를 가집니다. 이러한 2가지의 한계점을 극복하기 위해서 UNet++에서는 새로운 형태의 아키텍처를 제시합니다. 인코더를 공유하는 다양한 깊이의 U-..

U-Net : Convolutional Networks for Biomedical Image Segmentation U-Net은 Encoder-Decoder 구조를 가지지만, Biomedical 부분에서 나온 세그멘테이션 논문입니다. 실제 구조가 좋고, 성능이 잘나와서 Biomedical 부분만 아니라 다른 분야에서도 많이 활용되는 네트워크입니다. 인용수 또한 20000이 넘을 정도로 굉장히 높습니다. 네트워크의 구조가 U자 형태로 되어있어서 U-Net이라고 불리는데, 네트워크가 어떻게 구성되었는지 한번 살펴보도록 하겠습니다. Paper : https://arxiv.org/abs/1505.04597 Code : https://lmb.informatik.uni-freiburg.de/people/ronneb..

A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation (SegNet) SegNet은 2016년도에 소개된 논문으로 DeconvNet과 매우 유사한 구조를 가지는 네트워크입니다. 하지만, DeconvNet과 다르게 Application 측면에서 나온 논문이라 DeconvNet과는 몇개의 차이를 보입니다. 한번, 네트워크가 Application을 하도록 어떤 테크닉을 사용했는지 살펴보도록 하겠습니다. paper : https://arxiv.org/pdf/1511.00561.pdf code : https://github.com/preddy5/segnet Abstract 먼저, 이전의 DeconvNet과 비교해보면 내부의 7x7 con..

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..

Fully Convolutional Networks (FCN) Fully Convolutional Networks (FCN)은 2015년도 CVPR에 소개된 논문으로 End-To-End의 세그멘테이션의 포문을 연 논문입니다. 인용수가 약 20,000회 이상으로 나중 세그멘테이션 논문들에 많은 영향을 끼쳤습니다. paper : https://arxiv.org/abs/1411.4038 code : https://github.com/shelhamer/fcn.berkeleyvision.org Abstract AlexNet을 시작으로 하는 CNN 모델들의 발전을 Image Segmentation 영역에 접목 (Pretrained된 딥러닝 모델을 이미지 피쳐를 추출하는 백본 네트워크로 활용) 합니다. VGG 네트워..