📲PROJECT/논문읽기
[논문읽기] 08. From GAN to WGAN
GAN의 발전..!0. Abstract이 논문은 GAN이 왜 학습하기 어려운지에 대해 수학적으로 설명하고, WGAN이 GAN의 학습시에 두 분포간 거리를 측정하는 방법에 어떠한 변화를 주어 학습을 증진시켰는지 알아볼 것 이다.1. IntroductionGAN은 다양한 많은 분야에서 좋은 산출물을 냈다. 하지만 GAN은 학습시 불안정하고, 수렴에 실패하는 문제에 대해 직면하고있다.그래서 이러한 GAN의 문제를 수학적 배경으로 왜 학습하기 힘든지를 설명하고 학습이 어려운 것을 해결하기 위해 등장하는 수정된 GAN에 대해 설명할 것이다.2. Kullback–Leibler and Jensen–Shannon DivergenceGAN에 대해서 살펴보기 전에, 두 확률분포간의 유사..
[논문읽기] 07-2. DCGAN Pokemon With Keras
from __future__ import absolute_import, division, print_function, unicode_literals In [306]:import tensorflow as tf tf.__version__ Out[306]:'1.14.0-rc1'In [0]:import glob import imageio import matplotlib.pyplot as plt import numpy as np import os import PIL from PIL import Image from tensorflow.keras.layers import * import time import cv2 import tqdm from IPython import display In [5]:!apt-get i..
[논문읽기] 07-1. DCGAN MNIST With Tensorflow
from __future__ import absolute_import, division, print_function, unicode_literals In [0]:!pip install tensorflow-gpu==2.0.0-beta0 Requirement already satisfied: tensorflow-gpu==2.0.0-beta0 in /usr/local/lib/python3.6/dist-packages (2.0.0b0) Requirement already satisfied: absl-py>=0.7.0 in /usr/local/lib/python3.6/dist-packages (from tensorflow-gpu==2.0.0-beta0) (0.7.1) Requirement already satis..
[논문읽기] 07. DCGAN
"상상력이 탄생시킨 DCGAN"0. AbstractComputer Vision 분야에서 CNN을 이용한 지도 학습 방법은 많이 채택되어왔다. 하지만 비교적 비지도 학습 CNN은 주목받지 못했다. 이 논문에서는 지도 학습과 비지도 학습간의 성과 차이를 줄이기 위해 노력할 것 이다. 이를 DCGAN이라고 부를 것이다.1. IntroductionDCGAN이 대부분의 세팅에서 안정적으로 학습하는지 보고, 평가할 것이다.다른 비지도 학습 방법들과 비교하기 위해서, 이미지 분류 과제에 학습되었던 식별자(D)를 이용할 것이다.GAN에 의해 학습된 ..
[논문읽기] 06. Faster R-CNN
‘RPN + Sharing Computation’Collabo0. Abstract이전에 SPPnet, Fast R-CNN등이 등장하면서 running time을 줄이는등 성과를 내고있었다. 위 논문에서는, 모든 이미지의 convolutional features를 공유하면서 region proposal을 구하는데에 cost-free에 가깝게하는 Region Proposal Networks (RPN)에 대해 설명할 것이다. RPN은 fully convolutional network로서 동시에 물체의 경계를 예측하고, 물체의 위치에 대한 점수를 예측한다. RPN은 ..
[논문읽기] 05. Fast R-CNN
“R-CNN ++”0. AbstractFast R-CNN은 이전의 과정들에 비해서 training / test 속도를 증진시켰고, detection accuracy도 증가시켰다. R-CNN보다 훈련 속도가 9배 빠르고, test는 213배 빠르고, mAP또한 높다.1. Introductionimage classification에 비해 object detection은 복잡한 방법을 요구한다는 데에서 더 도전적인 일이다. 그러한 복잡성 때문에, 많은 현재 접근 방법들이 multi-stage pipelines로 모델을 학습하기에 느리고, 세련되지 않았다. 복잡성은 detection이 객체에 대한 정확한 localization을 요구하는데서 발생하는데, 이는 두 가지 문제를 발생시킨다...