classification8 (작성 중...)[JIS] Deep Learning for Image Classification [JIS] Journal Introduction Summary: Deep Learning for Image Classification [Since 2017] 1. [EfficientNet] Tan, Mingxing, and Quoc Le. "Efficientnet: Rethinking model scaling for convolutional neural networks." International conference on machine learning. PMLR, 2019. 2. [NasNet] Zoph, Barret, et al. "Learning transferable architectures for scalable image recognition." Proceedings of the IEEE con.. 2023. 12. 26. 비전 딥러닝 특강 - 6-3. Classification / EfficientNet 2023. 8. 15. 비전 딥러닝 특강 - 6-2. Classification / MobileNet 2023. 8. 15. 비전 딥러닝 특강 - 6-1. Classification / Classification 모델의 발전 2023. 8. 15. 비전 딥러닝 특강 - 4-2. 비전 딥러닝 설계 / Classification & Segmentation 2023. 4. 2. [GoogLeNet] Szegedy et al., 2015, Going Deeper with Convolutions # 세줄요약 # 'Inception'이라고 불리는 새로운 모듈로 구성한 Deep CNN(Convolutional Neural Network), 일명 'GoogLeNet' 을 처음으로 소개한 논문으로, GoogleNet은 ILSVRC14(ImageNet Large-Scale Visual Recoginition Challenge 2014)에서 Classification과 Detection 모두에서 최고의 성능을 보였다. Inception 모듈은 multi-scale processing과 Hebbian principle에서 영감을 얻어 이전 층의 특성지도(feature map)를 다양한 크기의 필터(1x1, 3x3, 5x5, pooling)로 병렬처리한 이후 다시 하나의 출력으로 합치는 구조를 가지고 있다. .. 2020. 12. 16. [VGG] Simonyan & Zisserman, 2015, Very Deep Convolutional Networks For Large-Scale Image Recognition # 세줄 요약 # 저자들은 대량의 영상 인식 과제에서 합성곱 신경망(Convolutional Neural Network)의 깊이(depth; 여기선 신경망의 층을 늘리는 것을 의미함)에 따른 정확도의 변화를 연구하였다. 이 논문에서 소개된 신경망 모델은 매우 작은 크기(3X3)의 합성곱 필터(Convolutional filter)로 구성하여 신경망의 깊이를 증가시켰으며, 이 모델은 선행 신경망 모델들과 비교하여 신경망의 깊이는 16~19층까지 늘려서 유의미한 성능 향상 결과를 보여주었다. 이 논문의 저자들인 VGG그룹은 2014년 이미지넷 영상 인식 대회(ImageNet Large-Scale Visual Recoginition Challenge; ILSVRC)에서 localization 부문에서 1등, .. 2020. 12. 9. Jo et al., 2019, Deep Learning in Alzheimer's Disease: Diagnostic Classification and Prognostic Prediction Using Neuroimaging Data. # 세줄요약 # 최근 뇌영상 처리(Neuroimaging Techniques) 기법들의 빠른 발전과 MRI, PET 등 다양한 종류에서 방대한 양의 뇌영상 데이터들이 나오면서, 딥러닝을 이용하여 알츠하이머 질병의 조기 발견과 자동 분류를 해주는 진단 모델들이 연구 및 개발되고 있다. 이 논문에서는 그러한 알츠하이머 진단 모델들의 기존 연구들을 평가하고 정리하기 위해 총 16개의 논문들을 리뷰하였으며, 그 중 4개는 딥러닝과 함께 전통적인 머신러닝 기법을 사용한 연구들이고, 나머지 12개는 오직 딥러닝 기법만 사용한 연구들이다. 딥러닝 기법은 기존의 전통적인 머신러닝 기법에서 전제되는 특성 추출을 위한 복잡하고 어려운 뇌 영상 처리 기법들을 적용할 필요가 없기에, 현재 다양한 종류의 뇌영상(MRI, PET.. 2019. 10. 15. 이전 1 다음
