김지원

서울대학교 박사과정

Deep Image Super-Resolution

영상 해상도 증가(Image Super-Resolution)는 TV/컴퓨터/스마트폰을 포함 거의 모든 디바이스에서 이미 사용되고 있는 기초 기술로, 비주얼 임장감 증진 등 더 나은 영상 생성을 위해 꼭 필요합니다. 하지만 오랜 연구에도 불구하고 성능 향상이 더디었으나, 저희는 최근 Deep CNN, Deeply-Recursive Convolutional Net 등 최신 딥러닝 기술 연구/개발을 통하여 성능에 진일보를 이루었습니다. 이에 관련 내용을 발표 드리고자 합니다. [slides]

Reference

1. Accurate Image Super-Resolution Using Very Deep Convolutional Networks [PDF]
2. Deeply-Recursive Convolutional Network for Image Super-Resolution [PDF]

노현우

POSTECH Ph.D. Student

Semantic Segmentation and Visual QA

본 발표에서는 Semantic Segmentation과 Visual Question Answering 두가지 주제를 다루며. 특히 Deconvolutional Network를 사용한 Semantic Segmentation 방법 및 Visual Question Answering의 전반적인 연구 동향에 대하여 발표할 예정입니다. [slides]

Reference

1. Learning Deconvolution Network for Semantic Segmentation [PDF] [Project page]
2. Decoupled deep neural network for semi-supervised semantic segmentation [PDF] [Project page]
3. Image Question Answering using Convolutional Neural Network with Dynamic Parameter Prediction [PDF] [Project page]
4. Learning Transferrable Knowledge for Semantic Segmentation with Deep Convolutional Neural Network [PDF] [Project page]
5. Visual question answering [Project page]
6. Stacked Attention Networks for Image Question Answering [PDF]

민현석

삼성전자 / 책임연구원

Deep Learning and Computer Vision

인공지능(혹은 딥러닝) 전공자가 아닌 영상처리 전공자 입장에서 딥러닝이란 개념을 정리하고, 딥러닝의 최근 발전방향과 향후 전망에 대해서 살펴보고자 한다. [slides]

유동근

카이스트 RCV 연구실 박사과정

Team Lunit-KAIST at ILSVRC 2015: Challenges and Limitations

우리 팀이 독자적으로 개발한 물체검출 방법인 Multi-class AttentionNet에 대하여 자세히 소개합니다. 또한, ILSVRC에 두 번 참가하면서 겪었던 어려움과 느낀점을 공유하고자 합니다. [slides]

Reference

1. AttentionNet: Aggregating Weak Directions for Accurate Object Detection [PDF]

Weakly Supervised Object Localization

In this talk, current object localization techniques only using image-level labels are introduced, and their limitations are discussed. To overcome them, a simple but effective training framework called self-transfer learning is proposed.