728x90 ๐ Research/Deep Learning9 [๋ ผ๋ฌธ ๋ฆฌ๋ทฐ] SHAPE-TEXTURE DEBIASED NEURAL NETWORK TRAINING / ๋ด๋ด ๋คํธ์ํฌ์์ shape๊ณผ texture์ ๊ด๊ณ ICLR 2021์ ๊ฐ์ ๋ ๋ ผ๋ฌธ์ด๋ฉฐ object์ shape, texture์์ ๊ด๊ณ, ๊ทธ๋ฆฌ๊ณ object recognition ๋ฑ์ vision task์์ shape๊ณผ texture ์ ๋ณด๋ฅผ ๋ชจ๋ ์ด์ฉํ์ฌ ํ์ตํ์ฌ ์ฑ๋ฅ์ ํฅ์์ํจ shape-texture debiased neural network๋ฅผ ์ ์ํฉ๋๋ค. Introduction Shape๊ณผ texture๋ ๋ชจ๋ object๋ฅผ ์ธ์ํ ๋ ์ค์ํ ๋จ์๋ค์ ๋๋ค. ์ด๋ฏธ ์ด์ ์ object recognition ์ฐ๊ตฌ์์ shape๊ณผ texture๋ฅผ ์ ์ ํ๊ฒ ๊ฒฐํฉํ๋ฉด ์ธ์ ์ฑ๋ฅ์ ๋์ผ ์ ์์์ด ๋ฐํ์ก์ต๋๋ค. ‘IMAGENET-TRAINED CNNS ARE BIASED TOWARDS TEXTURE; INCREASING SHAPE BIAS IMPROVES A.. 2021. 12. 4. [๋ ผ๋ฌธ ๋ฆฌ๋ทฐ] Learning to Compare: Relation Network for Few-Shot Learning / meta-learning, few shot learning ๋ณธ ๋ ผ๋ฌธ์ CVPR2018์ ๊ฒ์ฌ๋ few shot learning ์ด๋ผ๋ ์ฃผ์ ์ ๋ ผ๋ฌธ์ ๋๋ค. ๋ฅ๋ฌ๋์์ ๋ฐ์ดํฐ์ ๊ฐ์๋ ์ฑ๋ฅ๊ณผ ์ง๊ฒฐ๋์ง๋ง, ํ์ค์ ์ธ ํ ์คํฌ์์ ๋ฐ์ดํฐ ๊ฐ์๋ ๋ ๋ถ์กฑํ ์ ๋ฐ์ ์์ต๋๋ค. ์ด๋ฌํ limited data ๋ฌธ์ ๋ฅผ ํด๊ฒฐํ๊ธฐ ์ํด data ์ฐจ์์์๋ data augmentation ๋ฐฉ๋ฒ์ด ์กด์ฌํ๊ณ , network ์ฐจ์์์๋ Un/Semi-supervised learning, Transfer learning, Meta learning ๋ฐฉ๋ฒ ๋ฑ์ด ์กด์ฌํฉ๋๋ค. few shot learning์ meta learning ๋ฐฉ์์ ์ฌ์ฉํ์ฌ ์ ์ data ๊ฐ์๋ก network๋ฅผ ํ์ต์ํค๋ ๋ฐฉ๋ฒ๋ก ์ ๋๋ค. Meta learning์๋ metric, model, optimization, GCN .. 2021. 10. 17. [๋ ผ๋ฌธ ๋ฆฌ๋ทฐ] SKIP RNN: LEARNING TO SKIP STATE UPDATES INRECURRENT NEURAL NETWORKS / Long term sequence ๋ฌธ์ ๋ฅผ ํด๊ฒฐํ๊ธฐ ์ํ ์๋ Introduction RNN์ sequence modeling ์์ ๋ฐ์ด๋ ์ฑ๋ฅ์ ๋ณด์ฌ์ฃผ์ง๋ง long sequence์ ๋ํ ํ์ต์์๋ slow inference, vanishing gradient, long term dependency ๊ฐ์ ๋ฌธ์ ์ ์ด ๋ฐ์ํ๋ค. (*Long term seqeunce ์ ์ํด ๋ฐ์ํ ์ ์๋ ๋ฌธ์ : throughput degradation, slower convergence, memory leakage...) ๋ณธ ๋ ผ๋ฌธ์์๋ RNN์ state update๋ฅผ ๊ฑด๋๋ฐ๊ณ computation graph์ effective size๋ฅผ ์ค์ด๋ ๋ฐฉ๋ฒ์ ํ์ตํ์ฌ ๊ธฐ์กด RNN ๋ชจ๋ธ์ ํ์ฅํ๋ 'Skip RNN' ๋ชจ๋ธ์ ์ ์ํ๋ค. ์ผ๋ฐ์ ์ผ๋ก ์ํ์ค๋ฅผ ๋จ์ถํ์ฌ(์ํ๋ง ์๋๋ฅผ ์ค์ด๊ฑฐ๋) .. 2021. 2. 18. ์ด์ 1 2 ๋ค์ 728x90