DeepLearning28 [논문 리뷰] Towards Scene Understanding: Unsupervised Monocular Depth Estimation with semantic-aware Representation 1.Introduction - robotics와 autonomous driving의 발전으로, scene understanding은 중요하지만 challenging problem이었다. - scene understanding에 대한 하나의 목표는 2D scene image에서 3D geometric information을 인식하고 평가하는 것이다. - 충분히 많은 양의 2D-3D image pairs이나 다른 viewpoints에서 얻은 다중 obeservation과 함께 supervised regression model의 learning 통해 단일의 이미지(monocular image)에서 depth information을 추정하는 시도들이 존재해왔으나, 이는 ground truth data 수집의 비.. 2022. 3. 4. [논문 리뷰]Attention is All You Need 1. Introduction - 기존의 Recurrent Neural Network(RNN, e.g.m Lstm, GRU)은 보통 input과 output sequence의 위치에 따른 symbol에 따라 계산을 수행해 왔다. - 이는 training에서 병렬화(parallelization)을 배제하는 방법으로, 만약 sequence의 length가 길 경우, memory의 한계상 batch를 제한할 수 없기 때문에 치명적인 단점이었다. - 이를 해결하기 위해 최근에는 factorization tricks과 conditional computation기법 등을 이용하여 계산의 효율성을 높일 수 있었지만, 여전히 근본적인 문제인 sequential computation은 남아 있었다. - Attention .. 2022. 3. 4. [딥러닝 용어 정리] manual segmentation Manual segmentation involves comprehensively labelling the 3D structure in each 2D slice. (출처https://link.springer.com/article/10.1007/s11548-020-02222-y) —> 2D 이미지에 있는 3D 구조를 포괄적으로 labeling하는 것 2022. 3. 3. [논문 리뷰] Deep Photo Style Transfer 0. Abstract 생략 1. Introduction - photographic style transfer은 reference style photo을 다른 input photo로 transfer하려는 것인데, 여기서 오래전부터 발생하는 문제가 있었다. - 여태까지 존재하는 테크닉들은 scene의 다양성이나 이들이 다룰 수 있는 transfer들 그리고 그들이 얻을 수 있는 stylistic match 결과의 신용도에서 제한이 되어 왔다. - 해당 논문에서는 broad(다양성)하고 faithful(신용도)한 deep learning model인 photographic style transfer를 제안한다. - 기존에서는 비록 input과 reference style 이미지들이 photograph이더라도,.. 2022. 3. 3. 이전 1 2 3 4 5 6 7 다음
