Log, Etc

현실 데이터를 다루다보면 여러가지 영향을 많이 받게 됩니다. 사람이 봤을때 사진이 어둡게 되면 물체를 식별하기 어렵듯이 기계가 학습할 때 조도로 인해 학습 성능에 영향을 줄 수도 있습니다. 특히, 물체를 탐지하는 모델일 경우 조도가 어두운 사진에서 사람이나 특정한 물체를 찾아내는 데 어려울 수 있겠죠이런 이미지 데이터의 조도를 전처리하는데 꽤 어려운 점이 있습니다. 사진의 조도는 균일하지 않기 때문이죠. 창문 주변은 밝지만 물체는 어두울 수도 있어 사진 전체의 밝기를 올리면 오히려 밝았던 물체들이 너무 밝아질 수도 있습니다. 따라서 밝은 영역은 그대로 또는 어둡게, 어두운 영역은 밝게 바꿔야합니다. 이런 작업을 딥러닝 모델을 통해 해결한 모델이 Zero-DCE입니다. 이번 글에서는 Zero-DCE에 대해..

현재 회사에선 label의 신뢰성이 낮은 데이터를 다루고 있습니다. 이를 수작업으로 거를 수는 없어 사람의 리소스가 적으면서도 성능을 올리기 위한 방법에 대해 고민했고 그 중 발견한 논문입니다.NeurIPS 2020에서 Google Research가 발표한 FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence에 대해 정리한 글입니다. 고려대학교 산업경영학부 DSBA 연구실 Lab Seminar 유튜브 영상을 참고하였습니다.Introductiondeep network는 supervised learning에 좋은 성능을 보입니다. 방대한 양의 데이터셋을 사용하여 성능을 올리기엔 labeling이 필요하고 이를 위해선 사람..

🔆 이번 글에서 다룰 논문은 2019년 ICCV에서 발표된 RelGAN: Multi-Domain Image-to-Image Translation via Relative Attributes입니다. 세세한 특징을 가지고 있는 얼굴 부위에서 원하는 영역만 바꿀 수 있고 얼굴 정체성은 그대로 보존하는 것이 본 모델의 특징입니다. ⭐️ Summary RelGAN은 relative target attribute를 이용해 얼굴 영역 중 변화하고 싶은 다중 속성(눈, 머리카락, 입모양 등)만을 변환할 수 있게 한다. generator에게 relative attributes를 학습하기 위해, 원본 이미지와 생성된 이미지의 relative attributes이 일치되는지 결정하는 match-aware discriminat..