연세대학교 DE LAB에서 진행한 발표 자료입니다.

학부생 수준에서 논문을 읽고 정리해보았습니다.

Semantic Segmentation의 Baseline인 FCN, U-Net과
현재(2022년)까지 우수한 성능을 자랑하는 DeepLab(v1~v3+)을 리뷰하였습니다.

논문 이해에 필요한 개념(Transposed Convolution 등)도 추가로 작성했습니다.

논문: https://arxiv.org/pdf/1411.4038.pdf

논문: https://arxiv.org/pdf/1505.04597.pdf

1. DeepLabv1 (2015) : Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
2. DeepLabv2 (2017) : DeepLab : Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
3. DeepLabv3 (2017) : Rethinking Atrous Convolution for Semantic Image Segmentation
4. DeepLabv3+ (2018) : Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation

<PT 자료>

<정리(발표) 자료>

<참고 자료>

1. 이미지 세그멘테이션 Image Segmentation 한번에 끝내기
https://www.youtube.com/watch?v=sbcC6N5xfy8

2. [인공지능 논문리뷰] DeepLab V2 논문리뷰 : ASPP를 이용해 multi-scale을 처리할 수 있도록 DeepLab V1을 개선!
https://www.youtube.com/watch?v=xKf3Icbwkok&list=LL&index=32&t=4s

3. [Deep Learning] 딥러닝에서 사용되는 다양한 Convolution 기법들
https://eehoeskrap.tistory.com/431

4. Up-sampling with Transposed Convolution 번역
https://zzsza.github.io/data/2018/06/25/upsampling-with-transposed-convolution/