Segmentation & R-CNN cs231n
- 하이퍼퀘스트 는 파라미터 최적화 도구다.
- 시멘틱세그먼테이션은 2007년에 만들어진 오래된거다.
- 클래시피케이션과 로컬라이제이션은 옵젝트는 1개만 찾지만 여러개 찾는게 가능하다. 갯수 지정해 찾을수 있다고
- 캐글 자동차 누끼따는거 리더보드 인식율이 99.7% 정도 나온다고 .. 포토샤퍼들 밥줄 위협?
- 시멘틱 세그는 배경까지 모든픽셀을 세그, 인스턴스 세그는 물체들만 세그한다.
- 시멘틱세그는 슬라이딩하는 이미지 조각들의 정보로 중앙픽셀을 세그멘테이션 하는 방식으로 연산량이 많아 속도가 느리다.
- 시멘틱세그는 슬라이딩윈도 방식과 풀리커넥티드 방식이 있다.
- 맥스 언풀링은 맥스풀링시 맥스값의 위치를 기억해 두었다가 복원하는 풀링방식이다.
- 존슨 강의시 학생들 뒤통수 모자이크? 뒤통수 초상권은 첨들어본다.
- 오토엔코더로는 세그멘테이션 디테일이 부족해 중간 피쳐맵 전달로 세그 디테일을 보강해준다고.
- 스트라이디드 콘볼루션도 다운샘플링 범주에 들어간다.
- 업샘플링 종류엔 치소근방 업샘플링과 러너블 업샘플링이 있다.
- 최소근방 업생플링엔 언풀링과 맥스언풀링(바늘 방석) 등이 있다.
- 러너블 업샘플링은 신경망으로 나머지는 다 수학적인 업샘플링이다.
- 스트라이드 공식은 마치 오일러방정식을 보는거 같다.
- 러너블 업샘플링은 트랜스포즈 콘볼루션이라고 도 부른다.(존슨 명명, 업콘브랑 유사)
- 디콘볼루션은 영상처리 용어라서 피해가야 한다.
- 교석님 멀티넷으로 폐종양 세그멘테이션 경험 보여줌.(VGG16, 시멘틱 세그 방식)
- MS COCO 데이타엔 캡션이나 키포인트 같은 어노테이션 뿐 아니라 바운딩 박스 정보가 들어있다.
- 분류 학습시엔 소프트맥스 로쓰함수를 쓰고 리그레션 학습시엔 L2 로쓰함수를 사용하며 두 로쓰를 합칠때 쓰는 파라미터도 학습된다.
- 옵젝트 디텍션 학습시에도 트랜스퍼 런닝을 사용 가능하다. 분류학습만? 아니면 리그레션 학습시에도 트런이 가능??
- 옵젝트 디텍션에는 리젼프로포절을 쓰는 RCNN 계열이 있고, 안쓰는 욜로, SSD 등이 있다.
- 옵젝트 디텍션은 2016년기준 80프로 정확도를 보여주고 있다고 ..(PASCAL VOC)
- CVPR best를 먹은건 DenseNet 이었다고.
- 교통 표지판에 테이프를 붙이면 오작동하는 Adversarial Attack 이 가능했으나 요즘은 해결되었다고
- 슬라이딩 윈도우 방식엔 배경클래스를 하나 추가해 주어야 한다고
- 셀렉티브 써치는 일반적으로 2000개의 물체 후보영역을 찾아준다고
- SPPnet: 스패셜 피라미드 풀링. 과도기적 기술
- RCNN 에서 CNN 네트웍이 한개냐 개별적으로 존재하냐로 갑론을박.
- Fast RCNN은 러너블 풀링인 ROI pooling 이 들어가며 백프로파게이션에 걸림돌 제거를 위해 피쳐맵에 초기에 한 리젼프로포절 결과를 투영해 준다고 한다.
- 리젼 프로포절이 특히 시간이 오래걸려서 패스터 RCNN이 나오게되었다.
- 리젼 프로포절은 이진분류로 물체의 있냐없냐를 학습하고 리그레션은 영역을 학습한다.
- 배가 어떤 위치에서 9개의 닻(앵커)을 내려보고 적당하면 정박하는 개념을 도입한 리젼 프로포절. 아마도 배틀쉽 게임 신봉자 였을듯 ..
- 욜로에도 3개의 앵커박스가 있으며 욜로는 리젼프로포절 대신 리그레션 학습방식을 사용한다.
- SSD: 싱글 샷 멀티플 디텍션
- RCN 계열이 정확하고 느린반면 욜로는 덜정확 하지만 빠르다.
- DenseCap = RCN + LSTM 으로 디텍션과 캡셔닝을 같이 한다.
- 2017년 막 나온 마스크 RCNN이 디텍션과 세그멘테이션에서 가장 성능이 좋다고 한다.
- 시멘틱세그먼테이션은 2007년에 만들어진 오래된거다.
- 클래시피케이션과 로컬라이제이션은 옵젝트는 1개만 찾지만 여러개 찾는게 가능하다. 갯수 지정해 찾을수 있다고
- 캐글 자동차 누끼따는거 리더보드 인식율이 99.7% 정도 나온다고 .. 포토샤퍼들 밥줄 위협?
- 시멘틱 세그는 배경까지 모든픽셀을 세그, 인스턴스 세그는 물체들만 세그한다.
- 시멘틱세그는 슬라이딩하는 이미지 조각들의 정보로 중앙픽셀을 세그멘테이션 하는 방식으로 연산량이 많아 속도가 느리다.
- 시멘틱세그는 슬라이딩윈도 방식과 풀리커넥티드 방식이 있다.
- 맥스 언풀링은 맥스풀링시 맥스값의 위치를 기억해 두었다가 복원하는 풀링방식이다.
- 존슨 강의시 학생들 뒤통수 모자이크? 뒤통수 초상권은 첨들어본다.
- 오토엔코더로는 세그멘테이션 디테일이 부족해 중간 피쳐맵 전달로 세그 디테일을 보강해준다고.
- 스트라이디드 콘볼루션도 다운샘플링 범주에 들어간다.
- 업샘플링 종류엔 치소근방 업샘플링과 러너블 업샘플링이 있다.
- 최소근방 업생플링엔 언풀링과 맥스언풀링(바늘 방석) 등이 있다.
- 러너블 업샘플링은 신경망으로 나머지는 다 수학적인 업샘플링이다.
- 스트라이드 공식은 마치 오일러방정식을 보는거 같다.
- 러너블 업샘플링은 트랜스포즈 콘볼루션이라고 도 부른다.(존슨 명명, 업콘브랑 유사)
- 디콘볼루션은 영상처리 용어라서 피해가야 한다.
- 교석님 멀티넷으로 폐종양 세그멘테이션 경험 보여줌.(VGG16, 시멘틱 세그 방식)
- MS COCO 데이타엔 캡션이나 키포인트 같은 어노테이션 뿐 아니라 바운딩 박스 정보가 들어있다.
- 분류 학습시엔 소프트맥스 로쓰함수를 쓰고 리그레션 학습시엔 L2 로쓰함수를 사용하며 두 로쓰를 합칠때 쓰는 파라미터도 학습된다.
- 옵젝트 디텍션 학습시에도 트랜스퍼 런닝을 사용 가능하다. 분류학습만? 아니면 리그레션 학습시에도 트런이 가능??
- 옵젝트 디텍션에는 리젼프로포절을 쓰는 RCNN 계열이 있고, 안쓰는 욜로, SSD 등이 있다.
- 옵젝트 디텍션은 2016년기준 80프로 정확도를 보여주고 있다고 ..(PASCAL VOC)
- CVPR best를 먹은건 DenseNet 이었다고.
- 교통 표지판에 테이프를 붙이면 오작동하는 Adversarial Attack 이 가능했으나 요즘은 해결되었다고
- 슬라이딩 윈도우 방식엔 배경클래스를 하나 추가해 주어야 한다고
- 셀렉티브 써치는 일반적으로 2000개의 물체 후보영역을 찾아준다고
- SPPnet: 스패셜 피라미드 풀링. 과도기적 기술
- RCNN 에서 CNN 네트웍이 한개냐 개별적으로 존재하냐로 갑론을박.
- Fast RCNN은 러너블 풀링인 ROI pooling 이 들어가며 백프로파게이션에 걸림돌 제거를 위해 피쳐맵에 초기에 한 리젼프로포절 결과를 투영해 준다고 한다.
- 리젼 프로포절이 특히 시간이 오래걸려서 패스터 RCNN이 나오게되었다.
- 리젼 프로포절은 이진분류로 물체의 있냐없냐를 학습하고 리그레션은 영역을 학습한다.
- 배가 어떤 위치에서 9개의 닻(앵커)을 내려보고 적당하면 정박하는 개념을 도입한 리젼 프로포절. 아마도 배틀쉽 게임 신봉자 였을듯 ..
- 욜로에도 3개의 앵커박스가 있으며 욜로는 리젼프로포절 대신 리그레션 학습방식을 사용한다.
- SSD: 싱글 샷 멀티플 디텍션
- RCN 계열이 정확하고 느린반면 욜로는 덜정확 하지만 빠르다.
- DenseCap = RCN + LSTM 으로 디텍션과 캡셔닝을 같이 한다.
- 2017년 막 나온 마스크 RCNN이 디텍션과 세그멘테이션에서 가장 성능이 좋다고 한다.
댓글
댓글 쓰기