JINWOOJUNG

본 포스팅은 Michigan Univ.의 EECS 498 강의를 수강하면서 공부한 내용을 정리하는 포스팅입니다.Introduction 기존까지의 Neural Networks를 활용한 Task는 Image 기반의 Calssification, Detection, Segmentation이 주를 이뤘다. 이러한 Feedforward Neural Network는 1개의 Image를 Input으로 하여, 해당 Image의 Class, Localization 정보 등 1개의 Output을 반환하는 구조이다.   앞으로 살펴볼 Recurrent Neural Network(RNN)은 시계열 혹은 순차 데이터를 처리하고 예측하는 딥러닝을 위한 신경망 구조이다.  RNN은 기존의 one to one 구조가 아닌 여러 구조에..

PapaerVoxelNet AbstractSparse한 LiDAR PCD를 Region Proposal Network(RPN)과 연결하는 연구는 Hand-crafted Feature를 기반으로 연구되었다. 본 논문에서는 Feature Extraction과 Bounding Box Prediction을 하나의 Stage로 통합하여 E2E 학습이 가능한 Deep Network인 VexelNet을 제안한다. VoxelNet은 Point Cloud를 동일한 크기의 3D Voxel로 나눈 뒤, 각 Voxel 내 Point를 Voxel Feature Encoding(VFE) Layer를 통해 통합된 특징으로 표현한 결과를 RPN으로 전달하는 구조이다.  VoxelNet은 LiDAR Data만 활용하여 Car, Ped..

PaperPointNetIntroduction 기존 Deep Learning 연구에서의 CNN은 Regular Input Data를 기반으로 동작한다(Image, Voxel, etc). 하지만, Point Cloud는 순서가 없는(Inordered) Inrregular Data이다. 따라서 Raw Point Cloud Data(PCD)를 CNN의 Input으로 취하는 것은 한계가 있다. 전처리 과정에서 PCD를 Regular Form(3D Voxel Grid, Collections of Images, etc)으로 변환하는 과정은 불필요한 메모리 및 계산 시간 증가를 초래하며, Quantization Artifacts에 의한 원본 정보 왜곡 및 Natural Invariances이 깨질 수 있다.  Qua..

보호되어 있는 글입니다.

Research Paper SSD Abstract 본 논문에서는 A Single Deep Neural Network인 Single Shot MultiBox Detector(SSD)를 제안한다. SSD는 서로다른 해상도를 가지는 Feature Maps에 대하여 서로다른 크기와 비율을 가진 Default Boxes로 객체를 예측 한다. SSD는 One-Stage Detector로써 빠른 속도를 가짐과 동시에 높은 mAP를 달성하였다. 특히 다양한 해상도를 가지는 Feature Maps에 대하여 예측함으로써 작은 크기의 객체에 대한 정확도를 향상시킨다.  Introduction Two-stage Detector는 추가적인 Region Proposal 생성 단계가 요구되기 때문에 정확하지만, 실시간 검출을 하기..

Research PaperYOLO AbstractYOLO는 Object Detection Task의 새로운 접근 방식이다. Object Detection Task를 하나의 Regression Problem으로 정의하며, 하나의 Network로 구현되어 End-to-End 최적화가 가능하다. One-stage Detector인 YOLO는 45fps의 실시간성을 보인다. YOLO는 더 많은 Loclization Error를 보이지만, 배경에 대한 FP를 줄이며, 객체에 대한 일반적인 특징을 잘 학습한다. Introduction Object Detection Task에서 좋은 성능을 보이는 Model은 Classifier를 Detection으로 변형한 구조를 가진다. 특히, R-CNN의 경우 Region Pr..

Problem딥러닝 모델을 돌리기 위해서는 각자의 GPU 환경에 맞는 PyTorch, CUDA 등 환경설정이 요구된다. 나는 Ubuntu 20.04, ROS1을 사용하는 중이다. 이에 맞는 Python Version은 3.8이다.ROS1은 Python 3.9 이상을 지원하지 않기 때문이다. 따라서 CUDA 등을 설치하는 과정에서 Python 3.9 이상을 요구해서 무작정 설치하다보면, Terminal이 열러지 않는 경우가 발생하게 된다. 이는 지원하지 않는 Python Version으로 설정되어서 발생한 현상이다. 그래서 각각의 모델에 맞는 환경을 설치하기 위해 Conda를 사용하는데, 몇몇 모델에 대해서는 requirement.txt가 없어 일일이 Dependency를 설치 해 줘야 하므로 그냥 Loc..

https://jinwoo-jung.tistory.com/139 Fast R-CNN...(1)Research PaperFast R-CNNSPPnet 0. Abstract 본 논문에서는 Fast Region-based Convolutional Network(Fast R-CNN) method를 제안한다. 기존 R-CNN 연구를 기반으로, 이전 연구와 비교하여 학습 및 테스트 속도를 개선하고 검jinwoo-jung.com4. Main results 본 논문에서 제안하는 Fast R-CNN은 다음과 같은 결과를 가진다.VOC07, 2010, 2012 Dataset에 대한 최고 수준의 mAPR-CNN, SPPnet에 비해 빠른 학습 및 테스트 속도VGG-16의 Conv Layer를 Fine-tuning하여 mAP..