11. • 영상처리에서 전통적으로 사용되던 방식들에 대한 논문들도 많았지만, 딥러닝에 연관된
주제를 골라 들었음.
• 전반적인 주제들
- CNN Architecture
- Action Recognition ( in Video Sequence )
- Re-Identification
- Object Recognition / Classification / Detection
- Object Tracking
- Image Enhancement ( derain, deblur, declipping)
- Codec
- Etc..
CNN Architecture 에서는 네트워크의 정확도를 향상시켰다는 논문 보다는, 아키텍쳐의
효율성을 증가시켜 속도를 개선시킨 논문이 많았음.
Embedded / Mobile 환경을 타겟으로 한 딥러닝의 관심이 증대되고 있다는걸 알 수 있었음.
12. 리뷰 논문 List
1. EFFNET
2. CAN DNNs LEARN TO LIPREAD FULL SENTENCES ?
3. OBJECT BOUDING BOX-CRITIC NETWORKS FOR
OCCLUSION-ROBUST OBJECT DETECTION IN ROAD
SCENE
4. OBJECT LOCALIZATION WITHOUT BOUNDING BOX
INFORMATION USING GENERATIVE ADVERSERIAL
REINFORCEMENT LEARNING
5. ACTION RECOGNITION: FIRST-AND SECOND-ORDER 3D
FEATURE IN BI-DIRECTIONAL ATTENTION NETWORK
자세한 논문리뷰의 개념이 아닌, 논문 소개형식의 리뷰로 진행예정.
16. MobileNet의 Depth-wise Convolution 개념과
ShuffleNet의 Point-wise Convolution 개념을 사용하였다.
기존 ShuffleNet은 그룹 내에서의 Point-wise Convolution을 사용했지만,
이 논문에서는 그룹단위 Convolution을 사용하지는 않았다. (이유는 뒷장에서,)
17. 이 결과가 가장 핵심이라고 생각된다.
[Residual Connection / Group convolution이 크기가 작은 네트워크에서는 정확도를 감소시킨다.]
24. • Object Detecion 분야에서 고질적인 문제였던 Occlusion에 대하여 다룬 논문 이였음.
• Occlusion에 대하여 판단하는 네트워크를 설계하였고, 이를 Faster R-CNN의 구조에
덧붙여서 기존 Faster R-CNN 보다 Occlusion에 강인한 네트워크를 구축하였음.
• GAN을 활용하여 단순 Pixel-wise Loss만으로 해결할 수 없는 Global한 특징을 이해
하려고 하였음.
25. 4. OBJECT LOCALIZATION WITHOUT
BOUNDING BOX INFORMATION
USING GENERATIVE ADVERSERIAL
REINFORCEMENT LEARNING
27. 5. ACTION RECOGNITION:
FIRST-AND SECOND-ORDER 3D
FEATURE IN BI-DIRECTIONAL
ATTENTION NETWORK
28.
29. • 기존 Action Recognition의 경우, 비디오를 학습시켜야 하기 때문에 파라미터가 너무
많아지는 문제점이 있음.
• 이 문제점을 해결하기 위하여, 몇 가지 특징 벡터를 정의하였음. 물체의 위치값을 알면 1차
미분과 2차미분을 활용하여 속도, 가속도를 얻을 수 있고 이 벡터를 활용하여 학습을 진행
하였음.
• Network Architecture는 C3D Network를 사용하였음.
31. • 임베디드나 모바일 환경에서의 딥러닝 네트워크를 설계하는 연구가
늘어나는 것을 보고.. 딥러닝이 이제 사업화 영역으로 많이 발전을
시작하려는 것 같다고 느꼈다.
• 통계를 확인해보진 않았지만, 체감상 1/4는 중국에서 낸 논문이였
다. 중국은 무서운 국가인 것 같다.
• 나도 공부 열..심..히… 하자 !!