JLOG

PAPER DeepLabV2 DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution,and Fully Connected CRFs Abstract 일반적인 convolution model은 연산량을 줄이기 위해 작은 사이즈(3x3, 5x5)의 커널을 사용한다. 네트워크가 충분히 깊지 않으면 covered receptive field가 좁아 커다란 object를 다 cover하지 못할 수 있다. DeepLabV2는 VGG16, ResNet101에 일반적인 convolution을 ASPP(Atrous spatial pyramid pooling)으로 대체해 연산량은 적지만 큰 범위의 receptive field를 ..

PAPER Unet Abstract FCN 구조를 응용한 구조를 사용함으로서 segmentation map을 출력했다. Overlap-tile를 이용해 input image의 resolution이 GPU memory에 구애 받지 않고 사용할 수 있다. data argumentation을 이용해 few labeled data를 가지고도 적절한 학습이 가능하다. Introduction CNN이 classificaiton 분야의 큰 발전을 가져왔다. biomedical image processing을 위해 localization 정보를 얻기 위해 sliding-window 방법을 사용했다. 출처 : https://m.blog.naver.com/PostView.nhn?blogId=worb1605&logNo=22..

PAPER 요약 CNN은 image recognition에 큰 발전을 가지고 왔다. semantic segmentation에도 CNN Deep learning model을 사용하기 위한 방법으로 FCN의 방법을 제시했다. Network for Classification 일반적으로 Conv와 Pool을 통해 입력 이미지는 작아지고 FC를 통해 하나의 입력 이미지에 따른 예측 label을 출력한다. Network for Segmentation 이 때, classfier의 FC 부분을 1x1 CNN으로 변경함으로서, 공간 정보를 가진 activation map을 출력으로 가질 수 있다. FC를 사용하면, 고정된 크기의 input을 받아야 하지만 모두 CNN을 사용하면 이미지 크기에 상관 없이 모두 입력으로 받..