[17′ ICLR] FRACTALNET: ULTRA-DEEP NEURAL NETWORKS WITHOUT RESIDUALS
FractalNet 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 FractalNet의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 FractalNet의 효과를 확인합니다.
Vision Model
[17′ CVPR] Xception: Deep Learning with Depthwise Separable Convolutions
Xception 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 Xception의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 Xception의 효과를 확인합니다.
[16′ BMVC] Wide ResNet : Wide Residual Networks
Wide ResNet 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 Wide ResNet의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 Wide ResNet의 효과를 확인합니다.
[15′ ICLR] VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION (VGGNet)
VGGNet 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 VGGNet의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 VGGNet의 효과를 확인합니다.
[15′ CVPR] Going deeper with convolutions (GoogleNet, inception) 핵심 리뷰
Inception 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 Inception의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 Inception의 효과를 확인합니다.
[12′ NIPS] ImageNet Classification with Deep Convolutional Neural Networks (AlexNet) 핵심 리뷰
AlexNet 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 AlexNet의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 AlexNet의 효과를 확인합니다.
[19′ ICML] EfficientNet : Rethinking Model Scaling for Convolutional Neural Networks
EfficientNet 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 EfficientNet의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 EfficientNet의 효과를 확인합니다.
[18′ ECCV] CBAM : convolutional block attention module
CBAM 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 CBAM의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험 결과를 통해 CBAM의 효과를 살펴봅니다.
[18′ BMVC] BAM: Bottleneck Attention Module
BAM논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 BAM의 제안 방법을 살펴봅니다. 마지막으로 실험 결과를 통해 BAM의 효과를 살펴봅니다.
[18′ CVPR] SENet : Squeeze and excitation networks
SENet 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 SENet의 제안 방법을 살펴봅니다. 마지막으로 실험 결과를 통해 제안 방법의 효과를 살펴봅니다.
