D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution RefinementPeng, Yansong, et al. "D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement." arXiv preprint arXiv:2410.13842 (2024).RT Detection SOTA D-fine에 대해 리뷰 진행.AP와 Latency 사이에서 둘 다 굉장히 우수한 DETR 기반의 RT Detector이다.아마도 이 정도의 FPS와 box AP의 성능이라면,End-to-End 방식이라는 점과 결합하여 Yolo를 밀어낼만한 충분한 detector라고 생각한..

BoostTrack++ : using tracklet information to detect more objects in multiple object trackingStanojević, Vukašin, and Branimir Todorović. "BoostTrack++: using tracklet information to detect more objects in multiple object tracking." arXiv preprint arXiv:2408.13003 (2024).2024년 8월23일 sumitted한 최근 논문인데, 현재 SOTA로 등록되어 있어서 해당 논문을 리뷰한다(아직 논문 accept는 아지만...)너무 최근꺼라 리뷰한 글이 없는거 같아서, 오히려 좋아~ 1. Introducti..

현재 Real-time detection SOTA에MOT20에 대해 tracking sota를 달성하고 있는 boosttrack에서의 tracking algorithm만 빼와서 적용시켜볼 계획,우선 boosttrack에 대한 리뷰 후, 해당을 진행하도록 하겠다.해당 과정은 계속 update할 것이며, github가 먼저 update되니 참조https://github.com/yeongjinHwang/RT-DETR(실제로 detection하고, tracking도 가능해야 영상 데이터에 대해서, 다른 frame에서 서로 같은것임을 판단할 수 있으므로)우선, boosttrack에 대해 리뷰를 할텐데, 성능과 latency사이에서, real-time에 적합하지않다고 생각한다면,다른 tracking paper들도 ..

2024.12.10 - [Study/computer vision] - DETR : End-to-End Object Detection with TransformersRT-DETR : DETRs Beat YOLOs on Real-time Object DetectionZhao, Yian, et al. "Detrs beat yolos on real-time object detection." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2024.2024년에 따끈따끈하게 올라온 DETR을 Real-Time Object Detection하기 위해 나온 논문이다.(accept는 2024년이지만 아카이브는 2023년에..

2024.12.10 - [Study/SOTA paper] - DETR : End-to-End Object Detection with TransformersLib, Config: Inference용도이기에 backpropagation gradient Falsefrom PIL import Imageimport requestsimport matplotlib.pyplot as plt%config InlineBackend.figure_format = 'retina'import torchfrom torch import nnfrom torchvision.models import resnet50import torchvision.transforms as Ttorch.set_grad_enabled(False)Modelin..

2024.12.10 - [Study/SOTA paper] - DETR : Inference code reviewDETR : End-to-End Object Detection with TransformersCarion, Nicolas, et al. "End-to-end object detection with transformers." European conference on computer vision. Cham: Springer International Publishing, 2020.1. Introductionobject detection target : each object of interet에 대해 bounding box와 category labels prediction현재 기술들은 proposals..

The power of small filters: 두 3x3 (s=1) Conv layer를 쌓는다.: 그럼, Second Conv Layer 한 개의 neuron은 input layer의 5x5를 보는 형태가 된다.: 만약, 3x3 Conv layer를 3개를 쌓는다면? input layer의 7x7를 보는 것이다.: Input-32x32x3, Filter-10 5x5, s=1, p=2일 때, parameter의 수는? (5x5x3+1)x10개 (+1은 bias)7x7을 갖는 1개의 Conv Layer  VS  3x3 3개 Conv Layer, (각 layer당 filter는 C개): 각각 weight의 수는? (7x7xC+1)xC, {(3x3xC+1)xC}x3 즉, 같은 영역을 보는건데, parame..

(8,9에서는 visulization, 옛날 CNN paper를 통한 구조 설명이다. 이에 대해서는 SOTA paper review에서 진행하기에 skip)RNN (Recurrent Neural Network): 일반적인 neural network는 첫 번째의 형태 (input layer -> hidden layer -> output layer): RNN에서는 input, output, hidden 등에 sequence를 추가하는 형태: one to many - Image Captioning, Image를 Input하여 단어 Sequence를 output: many to one - Sentiment Classification, 단어의 Sequence를 Input으로 하여 감정을 output: many t..