본문 바로가기

🏛 Research58

[오픈소스] OpenMMLab 컴퓨터비전 오픈소스 라이브러리 | 다양한 컴퓨터비전 연구 주제 OpenMMLab OpenMMLab은 학술 연구 및 산업 응용을 위한 다양한 컴퓨터비전 오픈소스 프로젝트들을 제공한다. OpenMMLab에서는 아래와 같은 장점을 가지고 있다고 설명하는데, 굉장히 많은 프로젝트와 툴이 있기 때문에 내가 써본 것은 극히 일부이지만 필요한 기능들을 편리하게 잘 구현했다는 느낌을 받았었다. 알고리즘 재구현의 어려움을 줄이기 위한 고품질 라이브러리 제공 다양한 백엔드 및 장치를 대상으로 하는 효율적인 배포 도구 제공 컴퓨터비전 연구 및 개발을 위한 견고한 기반 구축 풀스택 툴체인으로 학술 연구와 산업 응용 프로그램 간의 격차 해소 개인적으로는 Pytorch 기반이라 좋았다... OpenMMLab은 굉장히 다양한 컴퓨터비전 연구 주제에서 최신 딥러닝 모델과 고성능 코드를 제공하기.. 2023. 4. 16.

[기술 소개] 3D Object Scanning | MVS | 객체 스캐닝 | 실시간 3D 객체 복원 3D Object Scanning 3D Object Scanning은 multi-view stereo (MVS) 기술을 활용하여 객체의 3D shape을 복원하는 기술이다. 아래 영상을 보면 Niantic이라는 기업에서 Unity SDK에 빠른 non-lidar 스캔 툴을 추가하여 사용자가 객체를 실시간으로 스캔할 수 있게 한다. 스마트폰으로 객체를 다양한 각도에서 촬영하고 객체를 복원하는데 품질이 꽤 좋아보인다. 또한 RealityScan과 같은 앱을 사용하면 스마트폰으로 간단하게 3D 스캔을 경험해 볼 수도 있다. Niantic 기업의 Object Scanning 예시 RealityScan - 3D Scanning App의 결과 예시 출처 : https://sketchfab.com/3d-models.. 2023. 4. 7.

[기술 소개] Text-to-Image Generation | 이미지 생성 AI | DALL-E | GPT | dVAE Text to Image Generation Text to Image generation은 텍스트 정보를 입력으로 받아서 해당 텍스트에 해당하는 이미지를 생성하는 기술이다. 딥러닝 기술의 발전으로 인해 2010년대 중반부터 개발되기 시작해 2022년에는 OpenAI의 DALL-E 2 , Google Brain의 Imagen , StabilityAI의 Stable Diffusion 과 같은 최첨단 텍스트-이미지 모델의 출력물이 실제 사진과 사람이 그린 예술품의 품질에 접근하기 시작했다. Text to Image generation에서는 일반적으로 이러한 GAN(Generative Adversarial Networks) 모델을 텍스트와 이미지를 쌍으로 이루는 데이터셋을 학습시켜서 구현한다. 예를 들어, ".. 2023. 4. 6.

[논문 리뷰] Character Region Awareness for Text Detection / CRAFT / 텍스트 검출 본 논문은 Naver Clova에서 CVPR 2019 에 발표한 Text Detection 논문으로, CRAFT 라는 모델을 제안한다. Text Detection 분야에서 워낙 유명난 논문이고 개인적으로 텍스트 검출을 위해 텍스트의 특성과 딥러닝의 학습 특성을 아주 효율적으로 이용한 매력적인 연구라 생각한다. 자세한 설명은 다른 블로그에서도 잘 나와있으니 나는 모델 학습을 위한 핵심적인 부분만 정리하려 한다. CRAFT 모델의 핵심 CRAFT 모델은 텍스트 검출을 위해 단어 bbox를 바로 예측하는 것이 아니라, 문자의 위치를 나타내는 region score, 문자간 거리를 나타내는 affinity score를 예측 이를 위해서는 character-level annotation이 필요한데 문자 하나 하나.. 2023. 3. 13.

[논문 리뷰] What If We Only Use Real Datasets for Scene Text Recognition? Toward Scene Text Recognition With Fewer Labels 본 논문은 CVPR 2021에서 발표된 Text Recognition 논문으로, TRBA 모델 ('What is wrong with scene text recognition model comparisons? dataset and model analysis')을 제안한 백정훈 님의 논문이기도 하다. 본문 내용 Scene Text Recognition (STR) 연구에서는 리얼 데이터가 부족하기 때문에 일반적으로 대규모 합성 데이터셋을 사용하여 학습을 진행한다. 때문에 암묵적으로 리얼 데이터만으로는 STR 모델 학습이 거의 불가능하다는 암묵적인 상식(?)이 있었다고 한다. 하지만 본 논문에서는 이 상식이 STR 연구를 방해했다고 말한다. 본 논문에서는 최근에 축적된 리얼 데이터셋을 통합하고 지정된 실제 데이.. 2023. 3. 12.

[논문 리뷰] What Is Wrong With Scene Text Recognition Model Comparisons? Dataset and Model Analysis 본 논문은 ICCV 2019에서 Naver Clova가 발표한 Text Recognition 논문이다. (공식 레퍼지토리) 제안하는 내용 기존의 정리되어 있지 않던 STR(Scene Text Recognition) dataset을 정리하고 STR 을 4단계로 나누어 정립했다. 논문에서 제안한 STR 4단계는 아래와 같고, 각 단계의 모듈별 기여도를 실험을 통해 제공하고 있다. Transformation Stage : TPS(Thin-Plate Spline)이라는 STN(Spatial Transformation Network)와 유사한 방법으로 이미지 노멀라이즈 (왜곡되어 있는 텍스트를 인식 모델이 가장 인식하기 쉬운 형태로 변환) Feature Extraction Stage : 일반적인 CNN 아키텍처... 2023. 3. 12.

이전 1 2 3 4 5 6 7 ··· 10 다음

티스토리툴바