object detection

    [논문읽기] 06. Faster R-CNN
    📲PROJECT/논문읽기

    [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
    📲PROJECT/논문읽기

    [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...

    [논문읽기] 04. R-CNN : Rich feature hierarchies for accurate object detection and semantic segmentation Tech report
    📲PROJECT/논문읽기

    [논문읽기] 04. R-CNN : Rich feature hierarchies for accurate object detection and semantic segmentation Tech report

    "Region Proposal X CNN"0. AbstractR-CNN은 2가지 아이디어를 기반으로 탄생했다.(1) localize와 object segment를 위해 high-capacity CNN을 상향식으로 region proposal을 적용할 수 있다. (region proposal + CNN)(2) labeled된 training data가 부족할 때, domain 기반으로 fine-tuning거친 사전 지도학습(pre-trained)을 이용해서 성능을 매우 높일 수 있다. (pre-trained + fine-t..

티스토리툴바