Abstract본 논문은 이미지별 곡선 추정 작업으로 light enhancement를 공식화하는 Zero-Reference Deep Curve Estimation(Zero-DCE)를 제안DCE-Net을 학습시켜 주어진 이미지의 픽셀 단위, 고차 곡선을 추정Zero-DCE는 학습 중에 쌍을 이루는 Reference 이미지가 필요하지 않다신중하게 공식화된 비참조 손실함수(non-reference loss functions)를 통해 네트워크를 학습 Introduction본 연구에서는 저조도 이미지 향상을 위한 새로운 딥러닝 기반 방법인 Zero-Reference Deep Curve Estimation(Zero-DCE)를 제안image-to-image 매핑을 수행하는 대신, 이미지별 곡선 추정 문제로 재구성저..

Abstract 이미지 흐림 제거는 흐릿한 이미지에서 선명한 이미지를 복구하는 것CNN은 이 분야에서 좋은 성과를 거두었으나, Transformer라는 대체 네트워크가 더 강력한 성능을 보여주었다본 논문은 Transformer보다 비슷하거나 더 나은 성능을 보여주는 경량 CNN을 제안LaKD라는 효율적인 CNN 블록을 제안Transformer보다 비슷하거나 더 큰 ERF를 달성하며 파라미터는 더 작다또한 ERF를 정량적으로 특성화하고 간결하고 직관적인 ERFMeter 메트릭을 제안 Introduction기존 알고리즘은 blur kernel 추정과 prior 또는 regularzier(정규화)를 사용한 블라인드 디컨볼루션에 의존CNN의 발전에 따라 이미지 디블러링에 사용최근에는 CNN의 제약을 완화하는 구..

std::accumulate//template T accumulate (InputIterator first, InputIterator last, T init);template T accumulate (InputIterator first, InputIterator last, T init, BinaryOperation binary_op); 에 포함된 누적 함수.first, last 범위의 모든 값을 누적하여 반환.기본 누적은 요소를 합하는 것,요소 합 이외의 다른 작업은 Binary_op로 지정할 수 있다. Parametersfirst, last : 사용되는 반복자의 범위init : 누적 계산의 초기 값.binary_op : 이진 연산 지정. (함수 포인터 or 함수 객체)  Example1) 배..

Loss Function?딥러닝 모델에서 모델의 output인 예측값과 실제 정답(ground truth)인 실제값이 얼마나 유사한지 판단하는 기준.즉, 모델이 예측한 값과 실제 정답의 차이를 정량화하는 함수.이 loss function을 통해 나온 손실값을 최소화하는 방향으로 모델 파라미터를 업데이트. (학습) 회귀 문제 (Regression)MSE (Mean Squared Error)평균 제곱 오차로 예측값과 실제값의 차이의 제곱으로 손실을 계산하는 함수.오차값에 제곱을 하기 때문에 이상치에 민감하다. MAE (Mean Absolute Error)평균 절대값 오차로 예측값과 실제값 차이의 절대값으로 손실을 계산하는 함수.MSE에 비해 이상치에 둔감하다.  분류 문제 (Classification)BCE..

학습 시 Multi GPU 사용을 위해 nn.DataParallel을 사용.# ...model = nn.DataParallel(model)# ...  2개의 GPU에서 학습한 모델을 불러올때 아래와 같은 에러가 발생.pytorch RuntimeError: Error(s) in loading state_dict for XXX  nn.DataParallel로 병렬화 하면서 state_dict 키값에 'module.'이 붙으면서 맞지 않아서 발생하는 오류라고 한다. 학습 완료 후, 모델 추론 시 아래와 같은 방법으로 해결.from collections import OrderedDictmodel = MyModel().to(device)state_dict = torch.load('XXX.pth')new_state..

Abstractfeed forward CNN을 위한 간단하면서 효과적인 attention module인 CBAM을 제안.feature map이 주어지면 CBAM은 채널과 공간이라는 두 가지 개별 차원을 따라 attention map을 순차적으로 추론.CBAM은 가볍고 일반적인 모듈이기 때문에 모든 CNN에 원활하게 통합될 수 있으며 end-to-end 학습이 가능하다. Keywords : Object Detection, attention mechanism, gated convolution  IntroductionAttention은 어디에 집중해야 하는지 알려줄 뿐만 아니라 관심 표현도 향상시킨다.Attention mechanism을 사용하여 중요한 feature에 집중하고 불필요한 feature를 억제하..