본문 바로가기
반응형

Review8

[REVIEW] Character Region Awareness for Text Detection (CRAFT) 리뷰 안녕하세요, HELLO 이미지 분야 (computer vision)로 도메인 지식을 넓히기 위해, object detection, classification, segmentation, ocr, generative AI 등에 대해서 스터디를 진행하며, 논문을 리뷰하고 있습니다. 이번에 살펴본 논문은 OCR 분야에 있어, 수직, 곡선, 다양한 언어 등에서 높은 인식율을 보인, 네이버 Clova의 OCR 딥러닝 모델인 Character Region Awareness for Text Detection (CRAFT)입니다. CRAFT는 단어 (word) 단위의 문자 인식에서, 개별 글자 (character) 단위로 pseudo-Ground Truth를 만들어서 문자 인식을 진행하여, 띄어쓰기가 없는 일본어, 중국.. 2023. 2. 26.
[REVIEW] Fully Convolutional Networks for Semantic Segmentation (FCN) 리뷰, review 안녕하세요, HELLO 회사에서는 시계열 데이터를 중심으로 살펴보기에, 컴퓨터 비전 모델에 대해서는 살펴볼 기회가 많이 없었습니다. 다양한 모델을 살펴보고 싶은 마음에, computer vision의 object detection, classification, segmentation, ocr 등에 대해서 스터디를 진행하며, 논문을 리뷰하고 있습니다. 이번에 살펴본 논문은 Semantic Segmentation 문제를 위해 제안된 딥러닝 모델인 Fully Convolutional Networks for Semantic Segmentation (FCN)입니다. FCN은 Semantic Segmentation 모델을 위해 기존에 이미지 분류(Classification)에서 좋은 성능을 보인 CNN 기반 모델(.. 2023. 1. 8.
[Review] Effective Data Cleaning with Continuous Evaluation 리뷰, review 안녕하세요, HELLO 머신러닝, 딥러닝 분야는 좋은 성능의 모델을 만들기 위한 많은 시간, 컴퓨팅 파워, 인력 등이 필요한 '시행착오 (Trial and error)'가 많이 필요합니다. 이러한 반복적이고, 실험적인 모델의 학습을 개선하기 위해 최근에는 데이터를 입력하면 사람의 많은 개입(Human Assistance) 없이 높은 성능의 모델을 만들어내는 automated machine learning, 이른바 AutoML 분야가 각광받고 있습니다. AutoML 분야는 데이터, 변수, 모델의 관점에서 data preparation, feature engineering 그리고 model generation, model evaluation 이렇게 4개 분야로 정리하고 있습니다. (ref. AutoML: A.. 2022. 12. 31.
[Review] Generative Adversarial Nets (GAN) 리뷰, REVIEW 안녕하세요, HELLO 머신러닝, 딥러닝 분야는 좋은 성능의 모델을 만들기 위한 많은 시간, 컴퓨팅 파워, 인력 등이 필요한 '시행착오 (Trial and error)'가 많이 필요합니다. 이러한 반복적이고, 실험적인 모델의 학습을 개선하기 위해 최근에는 데이터를 입력하면 사람의 많은 개입(Human Assistance) 없이 높은 성능의 모델을 만들어내는 automated machine learning, 이른바 AutoML 분야가 각광받고 있습니다. AutoML 분야는 데이터, 변수, 모델의 관점에서 data preparation, feature engineering 그리고 model generation, model evaluation 이렇게 4개 분야로 정리하고 있습니다. (ref. AutoML: A.. 2022. 12. 11.
[Review] Recognition from Web Data A Progressive Filtering Approach 리뷰, review 안녕하세요, HELLO 머신러닝, 딥러닝 분야는 좋은 성능의 모델을 만들기 위한 많은 시간, 컴퓨팅 파워, 인력 등이 필요한 '시행착오 (Trial and error)'가 많이 필요합니다. 이러한 반복적이고, 실험적인 모델의 학습을 개선하기 위해 최근에는 데이터를 입력하면 사람의 많은 개입(Human Assistance) 없이 높은 성능의 모델을 만들어내는 automated machine learning, 이른바 AutoML 분야가 각광받고 있습니다. AutoML 분야는 데이터, 변수, 모델의 관점에서 data preparation, feature engineering 그리고 model generation, model evaluation 이렇게 4개 분야로 정리하고 있습니다. (ref. AutoML: A.. 2022. 12. 11.
[Review] The Matrix Calculus You Need For Deep Learning 리뷰, review 안녕하세요, HELLO 대학원에서 공부 및 회사에서 업무를 진행하며, 최신 논문 그리고 프로젝트에 맞는 논문을 읽다 보니 머신러닝 분야의 권장 논문을 읽어보지 못했습니다. 그래서 학교 공부를 병행하며, 그동안 리서치하며 알게 된 8개 논문을 정해서 스터디를 진행하게 되었습니다. Linkedin을 통해서 업데이트를 진행하고 있으며, 영어로 정리해서 공유합니다. 이번에 살펴본 논문은 딥러닝에서 사용되는 행렬 연산 (Matrix calculus)와 이에 대한 기본 지식을 정리한The Matrix Calculus You Need For Deep Learning입니다. ■ Reference Must Read Papers for Data Science, ML, and DL (LINK) Papers You Must .. 2022. 11. 18.
[Review] SPP-Net; Spatial Pyramid Pooling in Deep Convolutional 리뷰 안녕하세요, HELLO 현재 회사에서는 시계열 데이터를 중심으로 살펴보기에, 다른 형식의 데이터에 대해서는 살펴볼 기회가 많이 없었습니다. 다양한 데이터를 살펴보고 싶은 마음에, 데이터사이언스 대학원 내에서 객체 인식(Object detection) 스터디를 진행하며, 논문을 리뷰하고 있습니다. Linkedin을 통해서 업데이틀 진행하고 있어서, 영어로 정리해서 공유합니다. 이번에 살펴본 논문은 hoya님이 작성하신 2014 ~ 2019년까지의 'object detection 논문 목록'에 SPP-Net입니다. ■ 마무리 'Spatial Pyramid Pooling in Deep Convolutional'에 대해서 알아봤습니다. 좋아요와 댓글 부탁드리며, 오늘 하루도 즐거운 날 되시길 기도하겠습니다 :) 2022. 7. 9.
[Review] R-CNN; Rich feature hierarchies for accurate object detection and semantic segmentation 리뷰 안녕하세요, HELLO 현재 회사에서는 시계열 데이터를 중심으로 살펴보기에, 다른 형식의 데이터에 대해서는 살펴볼 기회가 많이 없었습니다. 다양한 데이터를 살펴보고 싶은 마음에, 데이터사이언스 대학원 내에서 객체 인식(Object detection) 스터디를 진행하며, 논문을 리뷰하고 있습니다. 우선은 한글로 정리된 내용을 공유하고, 이후에 영어로 정리해서 업데이트할 예정입니다. 이번에 살펴본 논문은 hoya님이 작성하신 2014 ~ 2019년까지의 'object detection 논문 목록'에 R-CNN 입니다. ■ 마무리 'Rich feature hierarchies for accurate object detection and semantic segmentation'에 대해서 알아봤습니다. 좋아요와 .. 2022. 6. 26.
반응형

티스토리툴바