Aggregated Residual Transformations for Deep Neural Networks Saining Xie1 Ross Girshick2 Piotr Doll´ar2 Zhuowen Tu1 Kaiming He2 1UC San Diego 2Facebook AI Research Abstract 이미지 분류를 위한 간단하고 고도로 모듈화된 네트워크 아키텍처를 제시합니다. 우리의 네트워크는 동일한 토폴로지로 일련의 변환을 집계하는 빌딩 블록을 반복하여 구성됩니다. 우리의 단순한 설계는 몇 개의 하이퍼 매개 변수만 설정할 수 있는 동종의 다중 분기 아키텍처를 만듭니다. 이 전략은 깊이와 너비의 차원 외에도 필수 요소로 "cardinality"(변환 집합의 크기)라고 하는 새로운 차원을 제공합니다..

Generative Adversarial Nets Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio Abstract 우리는 적대적 프로세스를 통해 생성 모델을 추정하기 위한 새로운 프레임 워크를 제안합니다, 여기서 두 모델을 동시에 학습시킵니다: 데이터 분포를 캡처하는 생성 모델 G와 G보다 학습 데이터에서 표본이 나올 확률을 추정하는 차별 모델 D입니다. G에 대한 훈련 절차는 D가 실수를 할 확률을 최대화하는 것입니다. 이 프레임 워크는 미니 맥스 2인용 게임에 해당합니다. 임의의 함수 G와 D의 공간에는 G가 훈련 데이터 분..

Mask R-CNN Kaiming He Georgia Gkioxari Piotr Doll´ar Ross Girshick Facebook AI Research (FAIR) Abstract 개체 인스턴스 분할을 위한 개념적으로 간단하고 유연하며 일반적인 프레임워크를 제시합니다. 우리의 접근 방식은 이미지의 객체를 효율적으로 감지하는 동시에 각 인스턴스에 대해 고품질 분할 마스크를 생성합니다. Mask R-CNN이라고 하는이 방법은 경계 상자 인식을 위해 기존 분기와 병렬로 오브젝트 마스크를 예측하는 분기를 추가하여 Faster R-CNN을 확장합니다. Mask R-CNN은 학습이 간단하며 5fps로 실행되는 Faster R-CNN에 약간의 오버헤드만 추가합니다. 또한 Mask R-CNN은 다른 작업으로 일반..

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun Abstract 기존 심층 컨볼루션 신경망(CNN)에는 고정 크기(예 : 224x224) 입력 이미지가 필요합니다. 이 요구사항은 "인공적"이며 임의의 크기/스케일의 이미지 또는 하위 이미지에 대한 인식 정확도를 떨어뜨릴 수 있습니다. 이 작업에서는 위의 요구사항을 제거하기 위해 네트워크에 또 다른 풀링 전략인 "공간 피라미드 풀링"을 장착합니다. SPP-net이라고 하는 새로운 네트워크 구조는 이미지 크기/스케일에 관계없이 고정 길이 표현을 생성할 수 있습니다. 피라미드..

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun Abstract 최첨단 물체 탐지 네트워크는 물체 위치를 가설하기 위해 지역 제안 알고리즘에 의존합니다. SPPnet[1] 및 Fast R-CNN[2]과 같은 발전으로 인해 이러한 탐지 네트워크의 실행 시간이 단축되어 지역 제안 계산이 병목 현상으로 드러났습니다. 이 작업에서는 감지 네트워크와 전체 이미지 컨볼루션 기능을 공유하여 거의 비용이 들지 않는 지역 제안을 가능하게 하는 RPN(Region Proposal Network)을 소개합니다. RPN은 각 위치에서 객체..

Fast R-CNN Ross Girshick Microsoft Research Abstract 이 논문은 물체 감지를 위한 Fast Region 기반 Convolutional Network 방법 (Fast R-CNN)을 제안합니다. Fast R-CNN은 이전 작업을 기반으로 딥 컨볼루션 네트워크를 사용하여 객체 제안을 효율적으로 분류합니다. 이전 작업과 비교하여 Fast R-CNN은 몇 가지 혁신을 사용하여 학습 및 테스트 속도를 향상시키는 동시에 탐지 정확도를 높입니다. Fast R-CNN은 매우 깊은 VGG16 네트워크를 R-CNN보다 9배 더 빠르게 훈련시키고, 테스트 시간에 213배 더 빠르며, PASCAL VOC 2012에서 더 높은 mAP를 달성합니다. SPPnet에 비해 Fast R-CNN은..