[17′ CVPR] Densely Connected Convolutional Networks (DenseNet)
DenseNet 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 DenseNet의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 DenseNet의 효과를 확인합니다.
Vision Model
[17′ CVPR] Deep Pyramidal Residual Networks (PyramidNet)
PyramidNet 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 PyramidNet의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 PyramidNet의 효과를 확인합니다.
[17′ CVPR] Active Convolution: Learning the Shape of Convolution for Image Classification
Active Convolution 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 Active Convolution의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 효과를 확인합니다.
[17′ CVPR] Residual Attention Network for Image Classification
Residual Attention Network 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 효과를 확인합니다.
[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.
[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′ 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.
[19′ CVPR] Selective Kernel Networks (SKNet)
SKNet 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 SKNet의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 SKNet의 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.
[21′ ICLR] Vision Transformer : AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE
Vision Transformer: 이미지 분야에서의 혁신적인 변화. CNN에서 벗어나 Transformer 구조를 적용한 Vision Transformer의 원리, 장단점, 그리고 그 의의에 대해 자세히 알아봅니다.
