일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | |||||
3 | 4 | 5 | 6 | 7 | 8 | 9 |
10 | 11 | 12 | 13 | 14 | 15 | 16 |
17 | 18 | 19 | 20 | 21 | 22 | 23 |
24 | 25 | 26 | 27 | 28 | 29 | 30 |
Tags
- 내장함수
- EECS 498-007/598-005
- implicit rule
- format이 없는 입출력문
- algebraic viewpoint
- computer vision
- fortran90
- L1 distance
- cs224w
- Semantic Gap
- gfortran
- cv
- FORTRAN
- geometric viewpoint
- Graph Neural Networks
- print*
- parametric approach
- feature cropping
- cross-entropy loss
- GNN
- L2 distance
- multiclass SVM loss
- 산술연산
- visual viewpoint
- human keypoints
- object detection
- tensor core
- data-driven approach
- implicit rules
- image classification
Archives
- Today
- Total
목록faster r-cnn (1)
수리수리연수리 코드얍
[EECS 498-007/598-005] 16강. Detection and Segmentation(1)
1. Detection: R-CNN 변천사 먼저 Detection 파트부터 살펴보겠다. 사실 여기는 바로 전 강의의 후반부와 겹치는 부분인데, 지난 강의 끝나고 학생들의 질문이 폭주해서 보다 명확한 이해를 위해 강연자께서 더 자세히 설명해주신 내용이다(이 파트 내용이 너무 어려워서 이해하고 정리하는 데 애를 많이 먹었는데, 미시간대 학생들도 그렇게 느꼈다고 하니 조금 위안이 되는 것 같다…ㅎㅎ). 본격적인 시작에 앞서 그래프를 하나 보도록 하자. 이것은 시간이 흐름에 따라 Object Detection의 정확도가 어떻게 변화하는지 나타내는 그래프이다. 2013년을 기점으로 정확도가 대폭 향상하는데, 바로 이때가 ‘딥러닝’이 적용된 시점이다. 그래프가 2015년에서 멈춘 것은 성능 향상이 더 이루어지지 않..
놀라운 Deep Learning/Deep Learning for Computer Vision
2023. 2. 26. 21:35