@ 잊지말자, 오늘도 감사한 하루

1 Introduction In the last three years, mainly due to the advances of deep learning, more concretely convolutional networks [10], the quality of image recognition and object detection has been progressing at a dramatic pace. 저번 3년 동안, 딥러닝(convolutional networks)의 발전과 함께, image recognition과 obejct detection의 퀄리티가 빠르게 상승하고 있다. One encouraging news is that most of this progress is not just the resu..

Deeper neural networks are more difficult to train. 더 깊은 신경망은 학습시키기 더욱 어렵다. We present a residual learning framework to ease the training of networks that are substantially deeper than those used previously. 우리는 이 전에 사용되던 형식보다 더 깊은 형식의 네트워크들의 학습을 쉽게하는 "residual (잔여) 학습 프레임워크"를 소개한다. We explicitly reformulate the layers as learning residual functions with reference to the layer inputs, instead of..

Abstract We propose a deep convolutional neural network architecture codenamed Inception, 우리는 inception이라는 코드네임을 가진 deep-convolutional neural network architecture를 제안한다. -> deep 레이어를 깊게 쌓은 -> convolutional 레이어를 사용한 -> neural network 모델 which was responsible for setting the new state of the art for classification and detection in the ImageNet Large-Scale Visual Recognition Challenge 2014 (ILSVRC1..

Abstract - image-to-image translation은 정렬된 여러 세트의 image pairs들로 학습하여, input image와 output image 사이를 mapping 하는데 목적이 있다. - 근데 이 학습용 image pairs가 없을 때가 많다. (데이터의 부족) - 그래서 이 learning to translate an image from a soure X to target domain Y를 pair인 데이터들 없이 가능하게 할 수 있는 어프로치를 제안하려한다. (오.. 대박..) - 우리의 목표는 mapping (G: X -> Y)에서 만들어진 G(X) 결과물이, Y에게 구별되지 않도록 하는것 이다. (using an adversarial loss) - 이 mapping은..

쭉 읽으면서 한국어로 정리하는 식으로 적어 보았다. 나중에 다시한번 공부 할때 조금이라도 더 편하게 보기 위해서..?! Abstract Unsupervised learning with CNNs이 Supervised에 비해서 비교적 적은 관심을 받고 있기에 해당 논문은 CNN의 두 학습방식에 대한 성공 격차를 줄였으면 하는 바램. 어떻게? DCGANs을 제안함으로써. (deep convolutional generative adversarial networks) 1) architectural constraints 2) strong candidate for unsupervised learining - 논문을 통해서 Generator&Discriminator 둘 다 Object part -> Scene 순으로 ..