거대한 데이터인 척, mnist로 MLOps 구축하기 #6

거대한 데이터인 척, mnist로 MLOps 구축하기 #5

거대한 데이터인 척, mnist로 MLOps 구축하기 #4

거대한 데이터인 척, mnist로 MLOps 구축하기 #3

거대한 데이터인 척, mnist로 MLOps 구축하기 #2

거대한 데이터인 척, mnist로 MLOps 구축하기 #1

Blur all faces in 300h videos

거대한 데이터인 척, mnist로 MLOps 구축하기 #0

Kubernetes & Kubeflow 설치

VIPriors Workshop Challenge 후기

Kubeflow 설치할 때 발생한 error 모음

Pre-training과 Data Augmentation, 그리고 Self-training에 대한 실험

Facebook Research에서 발표한 Object Detection 모델

Trial and Error

Pyotrch implements of Deep Learning on Small Datasets without Pre-Training using Cosine Loss

LeetCode - Top 100 Liked Questions

하드웨어의 발전으로 인해 매우 큰 dataset을 사용하고있다. 하지만 학습 데이터를 많이 모으기에는 한계가 존재하며 이를 위해 pre-trained 모델과 fine-tuning을 통하여 이를 극복할 수 있다. 하지만, pre-trained 모델을 사용한 *transfer learning*에는 문제 될만한 것이 두가지가 있다.

LeetCode - Top 100 Liked Questions

LeetCode - Top 100 Liked Questions

LeetCode - Top 100 Liked Questions

LeetCode - Top 100 Liked Questions

Domain Adaptation은 S(source) 도메인 데이터를 이용하여, T(target) 도메인에서 높은 성능을 내는 모델을 만드는 연구이다.

anchor-based와 anchor-free 방법의 차이를 실험적으로 설명하며, 성능의 차이는 positive와 negative sample의 정의에 있다고 하였다. 그리고 이에 object 특성에 따라 자동으로 positive, negative sample을 선택하는 Adaptive Training Sample Selection (ATSS)을 제안한다.

저자는 딥러닝이 유행하기 이전의 object relation을 이용하여 이 문제를 해결하고자 하였다. 그러나 보통 object는 각기 다른 위치, 다른 크기, 다른 종류 그리고 다른 이미지로 검출 되기 때문에 NLP에서 성공을 얻은 attention model (Attention is all you need)을 이용하였다.

ImageNet에 속하지 않은 unlabeled images 까지 이용하여 ImageNet 정확성의 SOTA를 갱신하며, robustness 성능 까지 높이는 방법에 대해 설명한다.

Instance segmentation 문제를 real-time으로 해결할 수 없을까? 라는 의문으로 시작이 된다. 여태까지의 instance segmentation 모델은 잘 만들어진 object detection에 병렬적으로 모델을 추가하여 (e.g., mask R-CNN(Faster R-CNN), FCIS(R-FCN) 발전하였다.