반응형 논문 공부10 AUTOVC 논문 정리(2) 안녕하세요, 앞선 포스팅에 이어서 진행하겠습니다. [Information Bottleneck] Bottleneck 이라는 개념이 도입된 이유는 무엇일까요? 아마도, 해당 논문의 auto voice conversion이 autoencoder 구조 기반으로 이루어져 있습니다. 이는 전체 구조를 보았을 때 입력 값->hidden layer->출력 레이어를 거치면서 hidden layer에서 상대적으로 데이터 차원이 줄어들어 "> 2021. 3. 1. AUTOVC 논문 정리(1) 안녕하세요, Candy Lee 입니다. 오늘 리뷰해볼 논문은 AUTOVC:Zero-Shot Voice Style Transfer with Only Autoencoder Loss [Qian,K. et al.,2019] 입니다. 개인적으로 저는 음성 처리 분야에 관련된 논문을 접하는게 이번이 처음이에요.. 부족하더라도 읽어주시면 감사하겠습니다. [사전 정보] 우선, 이 논문을 이해하기 위해서 필요한 두 가지 사전정보가 있습니다. 음성이 무엇인지? 그리고 음성 데이터가 무엇인지에 대해서 알아보도록 하겠습니다. 1. 음성이란? 음성은 크게 2가지 요소로 분리해서 이해할 수 있습니다. 주파수(Frequency)는 소리의 높고 낮음을 결정하는 요소입니다. 진폭(Amplitude)는 소리의 세기 또는 강도를 결정하는.. 2021. 2. 27. R-CNN & Fast R-CNN 비교 정리 안녕하세요 Candy lee 입니다. 오랜만에 포스팅을 하는 것 같아요^^ 오늘은 이전에 리뷰해 본 R-CNN과 Fast R-CNN 논문 핵심 내용을 비교해서 정리해 보려 합니다. 우선, R-CNN과 Fast R-CNN 모두 객체 탐지(Object Detection)의 종류 중 하나에 속하는데요, 객체 탐지(Object Detection)은 Classification(어떤 물체인지 판별 단계)과 Localization(물체의 위치 찾기 단계)의 혼합체 입니다. Object Detection = Classification + Localization(경계 상자 그리기) 우선 Object Detection에는 1-stage detector와 2-stage detector가 있습니다. 1-stage detect.. 2021. 2. 7. R-CNN 정리(3) 논문 원제목) Rich feature hierarchies for accurate object detection and semantic segmentation 논문 개인 공부 기록 남기기 포스팅입니다. 전반적 중요 내용 요약이므로 논문 전체의 디테일 요소까지 다루지 않을 수 있음을 알려드립니다. [Training] Supervised pre-training) In this paper, we pre-trained CNN on large auxiliary dataset(ILSVRC 2012) with image-level annotations.(i.e...No bounding box labels) Pre-training was performed by using Caffe CNN library(open sou.. 2021. 1. 21. R-CNN 정리(2) 논문 원제목) Rich feature hierarchies for accurate object detection and semantic segmentation 논문 개인 공부 기록 남기기 포스팅입니다. 전반적 중요 내용 요약이므로 논문 전체의 디테일 요소까지 다루지 않을 수 있음을 알려드립니다. [Object detection with R-CNN] Object Detection on this paper is consisted of 3 Modules. Three Modules) 1. Category-Independent region proposals are generated.(Not preprocessed) 2. Large CNN->Output : Feature Vector with fixed length.. 2021. 1. 14. R-CNN 정리(1) 논문 원제목) Rich feature hierarchies for accurate object detection and semantic segmentation 논문 개인 공부 기록 남기기 포스팅입니다. 전반적 중요 내용 요약이므로 논문 전체의 디테일 요소까지 다루지 않을 수 있음을 알려드립니다. [Abstract] This paper propose simple & scalable detection algorithm called "R-CNN". R-CNN is a mixture of region proposal and CNN. (Regions with CNN features) R-CNN has achieved significant increment of mAP more than 30% compared to.. 2021. 1. 11. Fast R-CNN 정리(4) This paper is written by Ross Girshick(Microsoft Research) 논문 본문 정리내용 기록 남기기(개인 공부 포스팅입니다) [Fast R-CNN Detection] For each ROI r -> forward pass makes 2 outputs. Output_1 = Posterior probability(사후 확률) p Output_2 = Set of predicted bbox offsets Apply non-maximum suppression for each class by using algorithm and settings from R-CNN [Truncated SVD for faster detection] Large Fully Connected (FC) L.. 2021. 1. 7. Fast R-CNN 정리(3) This paper is written by Ross Girshick(Microsoft Research) 논문 본문 정리내용 기록 남기기(개인 공부 포스팅입니다) 지난 글인 Fast R-CNN 정리(2)의 마지막 내용인 Fine-tuning detection 이어서 진행하겠습니다. [2.3 Fine-tuning for detection] - 지난 포스팅 이어서.. SPP net is unable to update weights... Then why?? Root Cause : Back-Propagation in SPP net is not efficient!!!! Not Efficient = Inefficient! ( Because of Training Inputs are large) -> 가끔식 ROI가 .. 2021. 1. 4. Fast R-CNN 정리(2) This paper is written by Ross Girshick(Microsoft Research) 논문 본문 정리 및 요약 내용 기록 남기기(개인 공부 포스팅입니다) [2. Fast R-CNN architecture and training] Fast R-CNN Procedure) 1. Input Image -> Conv&Max Pooling layers -> create feature map 2. From feature map of level 1 -> ROIs-> extract feature vector(fixed length) 3. Feature Vector -> Fully connected layers(FC) -> Split into 2 outputs 4. First one : Execute .. 2021. 1. 3. Fast R-CNN 정리(1) This paper is written by Ross Girshick(Microsoft Research) 논문 본문 정리내용 기록 남기기(개인 공부 포스팅입니다) [Abstract] 본 논문은 객체 검출을 위한 Fast-Region 컨볼루션 네트워크(Fast R-CNN) 방식을 제안한다. Fast R-CNN은 심층 컨볼루션 네트워크를 이용하여 효율적으로 객체 proposal을 분류하는 이전의 작업을 기반으로 한다. 이전의 작업과 비교하자면, Fast R-CNN은 detection 정확도 상승뿐만 아니라 학습과 테스트 속도를 개선하는 방법을 사용한다. 이후 내용은 성능 측면 설명과 부가적 정보이므로 생략합니다 [1. Introduction] Compared to image classification obj.. 2021. 1. 2. 이전 1 다음 반응형
