최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기방송공학회논문지 = Journal of broadcast engineering, v.24 no.4, 2019년, pp.564 - 572
김도엽 (광운대학교 전자통신공학) , 장주용 (광운대학교 전자통신공학)
With the development of deep learning, the performance of facial landmark detection methods has been greatly improved. The heat map regression method, which is a representative facial landmark detection method, is widely used as an efficient and robust method. However, the landmark coordinates canno...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
히트맵 회귀 방법의 단점은 무엇인가? | 최근 딥러닝 기술의 발전과 함께 얼굴 특징점 검출 방법의 성능은 크게 향상되었다. 대표적인 얼굴 특징점 검출 방법인 히트맵 회귀 방법은 효율적이고 강력한 방법으로 널리 사용되고 있으나, 단일 네트워크를 통해 특징점 좌표를 즉시 얻을 수 없으며, 히트맵으로부터 특징점 좌표를 결정하는 과정에서 정확도가 손실된다는 단점이 존재한다. 이러한 문제점들을 해결하기 위해 본 논문에서는 기존의 히트맵 회귀 방법에 적분 회귀 방법을 결합할 것을 제안한다. | |
Multi-task learning은 무엇인가? | Multi-task learning은 네트워크가 여러 개의 task를 동시 에 수행하게끔 학습시키는 방법이다. 이는 네트워크가 각 task를 잘 수행할 수 있도록 학습시키는 과정에서 단일 task 를 학습시키는 경우보다 더 다양한 특징들을 추출할 수 있 게 한다. | |
히트맵 회귀 방법의 장점 중 하나는 무엇인가? | 이러한 히트맵 회귀 방법은 직접 특징점 좌표를 회귀하는 방 법과 비교해 다음과 같은 장점을 가진다. 첫번째는 합성곱 층(convolutional layer)으로만 구성되어 네트워크 파라미터 의 개수가 적고, 따라서 과적합(over- fitting) 문제를 피할 수 있다는 것이다. 두번째는 입력 영상을 특징점 좌표로 직접 회귀하는 매핑 함수는 학습이 매우 복잡한 것으로 알려져 있 는 반면, 히트맵 회귀는 상대적으로 학습이 더 쉽다. |
※ AI-Helper는 부적절한 답변을 할 수 있습니다.