⛳

2_1_3_2_1.1____2.1_1. [entry] title: 데이터의 특징과 이를 잘 처리할 수 있는 테크닉들의 목록

논하는 세부 주제들 개요 MAX 25 links

•

어떻게 논문의 내용을 효율적으로 습득하는지 알아라.

◦

2_1_3_2_1.1____2. [info] title: 학술논문을 효율적으로 읽는 방법

•

기본 태도는 “어떻게 모델에게 데이터를 바라보는 방법을 더 잘 알려줄 것인가” 이다.

◦

2_1_3_2_1.1____2.1. title: 인공지능 모델 관련 논문을 읽을 때에는 데이터를 바라보는 능력을 기른다고 생각하라. 프로덕션에서 모델을 구현하거나, 고도화할 때에는 모델에게 데이터를 바라보는 방법을 알려준다고 생각하라.

•

이 엔트리는 효과별로 정리한 것이다.

◦

Classification 데이터로 localization (single object detect, segmentation) 문제 풀기

▪

bc3_2.1.1. title: Class Activation Map 은 Classification 데이터셋으로 학습시킨 뉴럴네트워크의 피쳐맵을 활용해  Localization 문제를 풀 수 있음을 보였다. 마찬가지로, single class object detection 데이터셋으로부터 학습시킨 뉴럴네트워크의 피쳐맵을 활용하면 segmentation 문제를 풀 수 있다.

◦

Detection 데이터로 segmentation (semantic, instance) 문제 풀기

▪

bc3_2.1.1. title: Class Activation Map 은 Classification 데이터셋으로 학습시킨 뉴럴네트워크의 피쳐맵을 활용해  Localization 문제를 풀 수 있음을 보였다. 마찬가지로, single class object detection 데이터셋으로부터 학습시킨 뉴럴네트워크의 피쳐맵을 활용하면 segmentation 문제를 풀 수 있다.

◦

Recall 최대화

▪

a4.4_2.1. title:
Recall 에 초점을 맞추어 물체가 존재할 것 같은 영역을 찾아내고 싶으면 영역 제안(Region proposal) 기법을 사용할 수 있다.

◦

더욱 정밀한 원본 데이터 복원

▪

a4.4_1_1. title:
Max unpooling 은 Max pooling 때문에 receptive field 내부에서 사라진 지역 최대값 픽셀의 위치 정보를 반영해주려고 노력하며 이것이 정밀한 결과물에 도움이 될 것이라고 믿었다.

◦

파이프라인 모듈 간 데이터 손실 최소화

▪

a4.4_1_1. title:
Max unpooling 은 Max pooling 때문에 receptive field 내부에서 사라진 지역 최대값 픽셀의 위치 정보를 반영해주려고 노력하며 이것이 정밀한 결과물에 도움이 될 것이라고 믿었다.

▪

bc3_2.1.1_1. title: OCR의 문자 존재 영역 검출(text detection)문제와 같이 bounding box 내부의 패턴이 sparse 하지만 bounding box 보다 정밀한 데이터 취득이 어려운 경우 binary segmentation 문제로 bounding box 내부와 외부를 구분하도록 학습시키면 bounding box 내부 픽셀 각각에 패턴이 존재할 확신도(confidence score)를 얻어낼 얻어낼 수 있어서 패턴의 위치를  조금 더 정밀하게 파악할 수 있다.

◦

부분의 문제로 나누어 해결하기

▪

a4.4_2.1. title:
Recall 에 초점을 맞추어 물체가 존재할 것 같은 영역을 찾아내고 싶으면 영역 제안(Region proposal) 기법을 사용할 수 있다.

•

이 엔트리는 논문의 제목별로 정리한 것이다.

◦

기존 개요가 마음에 들지 않아서 
엔트리를 다음과 같이 변경한다.

parse me

TextBoxes는 2017년 AAAI에 공개된 논문입니다. … 긴 단어의 Feature를 활용해야 해서 1x5 conv filter를 정의하여 사용합니다. Anchor box의 aspect ratio를 1, 2, 3, 5, 7 (세로에 대한 가로의 배수) 로 만들고, vertical offset을 적용하여 세로 방향으로 촘촘한 단어의 배열에 대응할 수 있도록 했습니다.

Mask 브랜치에서 Deterministic({0, 1}) Mask 를 사용하는 것이 아닌, Soft([0, 1]) Mask 를 쓴다는 점입니다. 이것은 텍스트(영역이라고 식별한) 사각형 외곽으로 갈 수록 Foreground Pixels 일 가능성이 줄어든다는 점에 기인합니다.