CNN7 EfficientNet [논문 정보]Mingxing Tan, Quoc V. Le et al. | arXiv:1905.11946 | 2019년 ICML논문명: EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks1. 서론CNN 계열 모델은 AlexNet 이후 이미지 분류, 객체 탐지, 세그멘테이션 등 컴퓨터 비전의 핵심 구조로 자리 잡았다. 초기에는 모델 구조 자체의 혁신이 중심이었다. VGGNet은 작은 3×3 convolution을 깊게 쌓는 방식으로 성능을 끌어올렸고, GoogLeNet은 Inception 모듈을 통해 여러 크기의 필터를 병렬로 사용하는 구조를 제안했다. ResNet은 skip connection을 통해 매우 깊은 네트워크 학습을 .. 2026. 6. 10. ShuffleNet V2 [논문 정보]Ningning Ma et al. | arXiv:1807.11164 | 2018년 7월논문명: ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design1. 서론ShuffleNet V2 논문은 경량 CNN 설계에서 매우 중요한 관점을 제시합니다. 기존의 경량 네트워크 연구들은 대부분 모델의 계산량을 줄이는 데 집중했습니다. 여기서 계산량은 주로 FLOPs, 즉 multiply-add 연산 수로 측정됩니다. MobileNet, ShuffleNet V1, Xception, CondenseNet 같은 모델들은 depthwise convolution, pointwise group convolution, channel shuff.. 2026. 6. 9. ShuffleNet V1 [논문 정보]Xiangyu Zhang et al. | arXiv:1707.01083 | 2017년 12월논문명: ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices1. 서론ShuffleNet V1은 모바일 디바이스, 드론, 로봇, 스마트폰처럼 연산 자원이 제한된 환경에서 CNN을 효율적으로 실행하기 위해 제안된 경량 CNN 아키텍처입니다. 기존 CNN 연구는 주로 더 깊고 넓은 네트워크를 만들어 정확도를 높이는 방향으로 발전했습니다. ResNet, GoogLeNet, VGG, ResNeXt 같은 모델들은 이미지 분류와 객체 검출에서 높은 성능을 보였지만, 수백만 개 이상의 파라미터와 수십억 단위의 FLOPs를.. 2026. 6. 8. MobileNetV2 [논문 정보]Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, Liang-Chieh Chen et al.MobileNetV2: Inverted Residuals and Linear BottlenecksarXiv:1801.04381 | 2018년 1월 최초 공개, 2019년 3월 v41. 서론MobileNetV2는 모바일 및 임베디드 환경에서 동작할 수 있는 효율적인 CNN 구조를 제안한 논문이다. 기존 CNN 모델들은 ImageNet과 같은 대규모 이미지 분류 태스크에서 높은 정확도를 달성했지만, 그 대가로 많은 연산량과 메모리를 요구했다. AlexNet, VGGNet, GoogLeNet, ResNet과 같은 모델들은 성능 향상의 흐름을 이끌었지.. 2026. 6. 8. DenseNet (Densely Connected Convolutional Networks) [논문 정보]Gao Huang, Zhuang Liu, Laurens van der Maaten, Kilian Q. Weinberger et al.Densely Connected Convolutional NetworksarXiv:1608.069932016년 8월 초판 / 2018년 1월 v51. 서론CNN은 이미지 인식 분야에서 AlexNet, VGG, GoogLeNet, ResNet을 거치며 점점 깊어지는 방향으로 발전해왔다. 초기 LeNet은 5개 층 수준이었지만, VGG는 19개 층, ResNet과 Highway Network는 100층 이상의 네트워크를 효과적으로 학습할 수 있음을 보여주었다. 이 흐름에서 중요한 문제는 단순히 “네트워크를 더 깊게 만들 수 있는가”가 아니라, 깊어진 네트워크 안에서.. 2026. 5. 25. ResNet (Deep Residual Learning for Image Recognition) [논문 정보]Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun et al.Deep Residual Learning for Image RecognitionarXiv:1512.033852015년 12월1. 서론딥러닝 기반 컴퓨터 비전의 발전에서 “깊이”는 매우 중요한 요소로 작용해왔다. AlexNet 이후 CNN은 이미지 분류, 객체 탐지, 세그멘테이션 등 다양한 시각 인식 문제에서 전통적인 특징 추출 기반 방법을 빠르게 대체했다. 특히 VGGNet과 GoogLeNet은 네트워크를 더 깊게 구성하면 더 복잡하고 추상적인 특징 표현을 학습할 수 있다는 점을 보여주었다. 낮은 층에서는 에지, 텍스처와 같은 저수준 특징을, 중간 층에서는 패턴과 부품 단위 특징을, 높은 층에.. 2026. 5. 24. 이전 1 2 다음