분류 전체보기57 Moire Pattern Removal via Attentive Fractal Network (CVPR Workshop 2020) top 2 in Track2 NTIRE 2020 Moire Pattern Removal via Attentive Fractal Network (CVPR Workshop 2020) top 2 in Track2 NTIRE 2020 - Authors: Dejia Xu, Yihao Chu, Qingyan Sun -본 논문에서는 영상의 Moire artifact를 제거하기 위해 AFN(Attentive Fractal Network)을 제안한다. AFN은 Encoder, AFB(Attentive Fractal Block), Decoder, Global Residual Learning 총 4가지로 구성된다. 이를 도식화하면 아래 equation 1과 같다. -모아레 이미지는 Encoder를 통해 multi-channel feature map이 되며 AFB에 입력된.. 2020. 7. 8. Residual Squeeze-and-Excitation Network for Fast Image Deraining Residual Squeeze-and-Excitation Network for Fast Image Deraining -Authors: Jun Fu , Jianfeng Xu , Kazuyuki Tasaka and Zhibo Chen -본 논문에서는 Residual Squeeze and Excitation Network (RSEN)을 제안하여 image deraining에서 좋은 성능과 light-weight한 구조로 빠른 속도를 보여준다. -image deraining은 현재까지 model-driven(filter&prior based)와 data-driven(CNN based)를 통한 접근법이 있었지만, 선자의 경우 실세계의 복잡한 rain streak를 전부 다 제거하지 못하며, parameter tu.. 2020. 7. 7. Learning transferable architectures for scalable image recognition (CVPR 2018) Learning transferable architectures for scalable image recognition (CVPR 2018) -Authors: B. Zoph, V. Vasudevan, J. Shlens, Q. V. Le -본 논문에서는 Neural Architecture Search(NAS)를 제시하며, 이를 통해 좋은 성능을 내는 뉴럴 네트워크를 만든다. 이는 뉴럴 네트워크가 모든 task에서 우수한 성능을 보여주지만, 이를 설계하기 위해서는 전문적인 지식과 시간이 많이 필요하기 때문이다. -제시하는 NAS는 자동으로 생성된 child network의 accuracy를 강화학습(reinforcement learning)의 보상(reward)으로 사용하는 RNN 구조이다. -아래와 그림과.. 2020. 7. 7. Richer Convolutional Features for Edge Detection (CVPR 2017) Richer Convolutional Features for Edge Detection (CVPR 2017) -Authors: Yun Liu, Ming-Ming Cheng, Xiawei Hu, Kai Wang, Xiang -본 논문에서는 영상의 object들은 다양한 scale과 다방변의 ratio를 보여주기 때문에 rich hierarchical representations을 통한 edge detection을 강조한다. 제안하는 RCF(Richer Convolutional Features) Network는 multi-scale, multi-level을 통해edge detection할 object의 information을 충분히 추출한다. -제안하는 네트워크는 convolutional feature들은 .. 2020. 7. 7. 이전 1 ··· 3 4 5 6 7 8 9 ··· 15 다음
