Papers/Object Detection(5)
-
MLP-Mixer: An all-MLP Architecture for Vision
MLP-Mixer: An all-MLP Architecture for Vision Tolstikhin, I. O., Houlsby, N., Kolesnikov, A., Beyer, L., Zhai, X., Unterthiner, T., ... & Dosovitskiy, A. (2021). Mlp-mixer: An all-mlp architecture for vision. Advances in Neural Information Processing Systems, 34. Main idea in this paper 기존의 ViT(Vision Transformer)의 경우 Transformer architecture에서의 Encoder layer를 활용하여 이미지 분류 문제를 해결하였다. 본 논문에서는 "Att..
2022.05.24 -
[논문정리]Cascade RPN: Delving into High-Quality Region proposal Network with Adaptive Convolution
Cascade RPN: Delving into High-Quality Region proposal Network with Adaptive Convolution Thang Vu, Hyunjun Jang, Trung X. Pham, Chang D. Yoo NeurIPS 2019 Abstract - 기존의 RPN의 경우에 anchor에 대한 부분은 굉장히 경험론적인(heuristically) 경향이 있었다. 그렇기에 제한점 또한 명확히 들어나는데 그러한 부분을 체계적으로 해결함으로써 검출 성능과 구역-제안(region-proposal)의 퀄리티를 향상시키는 Cascade Region Proposal Network(Cascade RPN)을 제안한다. - 첫 째, 다양한 종횡비와 스케일을 가지는 사전에 정의된 여..
2020.02.27 -
[논문정리] Gaussian YOLOv3: An Accurate and Faster Object Detector Using Localization Uncertainty for Autonomous Driving
Gaussian YOLOv3: An Accurate and Faster Object Detector Using Localization Uncertainty for Autonomous Driving Jiwoong Choi, Dayoung Chun, Hyun Kim Seoul National University ICCV 2019 포스터 Abstract 자율주행에서는 빠른 추론 속도와 높은 정확도가 굉장히 중요하다. 추론 속도가 늦거나 정확도가 낮을 경우 인명사고로 이어질 수 있기 때문에 자율주행에서는 단순히 정확하기만한 객체 검출을 사용하지 못하고 실시간적으로 높은 성능의 객체 검출을 할 수 있는 검출기가 필요하다. FP(false positive)는 치명적인 사고로 이어질 수 있다. 그러므로, 자율 주행 ..
2020.01.20 -
[논문정리]Training-Time-Friendly Network for Real-Time Object Detection
3333333Training-Time-Friendly Network for Real-Time Object Detection Zili Liu, Tu Zheng, Guodong Xu, Zheng Yang, Haifeng Liu, Deng Cai Accepted to AAAI2020 Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG); Image and Video Processing (eess.IV) Abstract 현대 객체 검출기는 짧은 학습 시간, 빠른 추론 속도, 높은 정확도를 동시에 달성하길 원한다. 이를 달성하기 위해서 Training-Time-Friendly Network(TTFNet)을 제안한다. 해당 모델의 특징으..
2020.01.14 -
Real-Time Object Detection YOLO (중요부분 요약)
Real-Time Object Detection 현재 프레임(이미지)에서의 물체(객체)의 Localization(위치)와 class(클래스)를 도출하는 것 이를 실시간으로 객체를 검출하는 것이 목표 정확도 & 속도 2가지의 속성의 trade off가 존재. 따라서 이 두가지의 성능을 동시에 높이는 것이 목표 COCO dataset기준 Real-Time Object Detection 순위 YOLO One-stage detector의 종류 중 하나 Classification과 boudning box regression을 한번에 수행 Classification과 bounding box regression을 따로 수행하는 Two-stage detector보다 정확도는 낮으나, 처리속도와 효율성이 높기 때문에 현..
2019.12.19