| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | ||||||
| 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 9 | 10 | 11 | 12 | 13 | 14 | 15 |
| 16 | 17 | 18 | 19 | 20 | 21 | 22 |
| 23 | 24 | 25 | 26 | 27 | 28 | 29 |
| 30 | 31 |
- Machine Learning
- 코딩테스트
- Cam
- cs231n
- Deep learning
- 백준
- Interpretability
- 메타러닝
- 코딩 테스트
- coding test
- 설명가능한 인공지능
- xai
- Artificial Intelligence
- keras
- 딥러닝
- 인공지능
- 설명가능한
- GAN
- 기계학습
- Class activation map
- Unsupervised learning
- 머신러닝
- 시계열 분석
- SmoothGrad
- meta-learning
- Explainable AI
- AI
- grad-cam
- Score-CAM
- python
- Today
- Total
목록Computer Vision (2)
iMTE
Grad-CAM Guided Channel-spatial Attention Module for Fine-grained Visual Classification 내용 정리 [XAI-13]
논문 제목 : Grad-CAM Guided Channel-spatial Attention Module for Fine-grained Visual Classification 논문 주소 : https://arxiv.org/abs/2101.09666 Grad-CAM guided channel-spatial attention module for fine-grained visual classification Fine-grained visual classification (FGVC) is becoming an important research field, due to its wide applications and the rapid development of computer vision technologies. Th..
Computer Vision[1] 1. Image Features이미지는 각 pixel (0~255)로 나타나는 matrix이다. Raw pixel을 사용해 image를 분석할 수 있지만, Raw pixel은 1. scale variation, 2. intra-class variation, 3. deformation, 4. occlusion, 5. illumination change 등에 매우 취약하므로, 이미지의 pixel matrix에서 특정 "feature"를 찾는 과정이 필요하다. Feature는 하나의 이미지에 "vector" 형태로 추출되며, 추출된 "vector (e.g., feature)"는 Decision Marker (ex, machine learning models)에 의해서 분류(c..