안녕, 세상!

Abstract 규모가 큰 컴퓨팅 overhead는 object detection을 위한 mobile devices에서의 convolutional neural networks의 inference를 제한시킴 이를 해결하기 위해서 해당 논문은 RSANet이라고 부르는 경량화 convolutional neural network를 제안함 크게 두 가지 파트로 나뉨 (a) Lightweight Convolutional Network (LCNet) as backbone (b) Residual Semantic-gudied Attention Feature Pyramid Network (RSAFPN) as detection head LCNet Feature maps의 수를 변경하기 위해 point-wise convolu..

주로 블로그에 올린 글의 거의 모든 글 유형이 기술에 대한 기술이었는데, 그 공부를 시작하게 된 이유, 어떠한 생각을 가졌는지 기록을 바로바로 해두는 것이 좋을 것 같아서 이렇게 기록을 해본다. 개요 머신러닝, 딥러닝에 관심있고 관련 프로젝트 및 개발을 진행해본 입장에서 ML 프로젝트는 구현할 수 있는 경우의 수가 무수히 많다. Data collection & preprocessing, Model training, testing 등 각 과정마다 선택해야 할 사항들이 많으며 기존에는 이를 단순히 local 환경의 파일에 직접 저장시키면서 디렉터리에 정리하여 진행했다. 프로젝트의 규모가 작은 경우는 위의 방식이 좀 지저분한(?) 방식이더라도 사람이 관리할 수 있을 정도가 되었다. 하지만 큰 규모의 프로젝트인..

Abstract EPSANet Novel lightweight and effective attention method Replacing the 3x3 convolution with the PSA module in the bottleneck blocks of the ResNet Be developed by stacking ResNet-style EPSA blocks Strong multi-scale representation ability for various computer vision tasks Outperforming most of the state-of-the-art channel attention methods Introduction Specifically two types of attention..

Abstract For underwater image classification Simulate the visual correlation of background attention with image understanding for special environments, such as fog and underwater by I-A module I-A moudule : Inception-Attention module Introduction Underwater image : Complex distortions (low contrast, blurring, non-uniform brightness...) Three key points 1) 서로 다른 환경들에서 찍힌 underwater images의 backgr..