논문12 Forecasting LNG prices with the kernel vector autoregressive model 리뷰 목차 0. Abstract 1. Instruction 2. Kernel VAR 2.1 VAR 2.2 LS-SVM: Kernel VAR 3. Forecasting Results 4. Conclusions 0. Abstract LNG 가격은 다변수 시게열과 관련 이유: 비슷한 계약으로 거래됨 다변수 시계열 데이터 분석을 위해, vector autoregressive model은 사용하기에 성공적인 tool 중 하나 문제: vector autoregressive model 은 현재와 이전 데이터의 선형 회귀를 가정 → 신뢰할 수 없는 결과 발생 해결: vector autoregressive model에 최소 제곱 SVM을 가중치로 적용 다른 모델과의 비교는 제안된 kernel vector autoregress.. 2022. 8. 5. ImageNet Classification with Deep Convolutional Neural Networks 리뷰 목차0. Abstract1. Introduction2. The Dataset3. The Architecture3.1 ReLU Nonlinearlity3.2 Training on Multiple GPUs3.3 Local Response Normalization3.4 Overlapping Pooling3.5 Overall Architecture4. Reducing Overfitting4.1 Data Augmentation4.2 Dropout5. Details of learning6. Results6.1 Qualitative Evaluations7. Discussion0. Abstract ImageNet ILSVRC-2010 120만개의 고해상도 이미지를 1000개의 다른 클래스로 분류크고 깊은 합성곱 신경망.. 2022. 7. 22. Fast Human Pose Estimation 리뷰 목차 0. Abstract 1. Introduction 2. Related Work 3. Fast human Pose Estimation 3.1 Compact Pose Network Architecture 3.2 Supervision Enhancement by Pose Distillation 3.3 Model Training and Deployment 4. Experiment 4.1 Experimental Setup 4.2 Comparisons to State-Of-The-Art Methods 4.3 Ablation Study 5. Conclusion 0. Abstract 기존 인간 포즈 추정 접근 방식 모델 일반화 성능을 개선하는 방법만 고려 심각한 효율성 문제는 고려하지 않음 문제: 실제 사용에서 확.. 2022. 7. 8. Image-to-Image Translation with Conditional Adversarial Networks 리뷰 목차 0. Abstract 1. Introduction 2. Related work 3. Method 3.1 Objectives 3.2 Network Architectures 3.2.1 Generator with skips 3.2.2 Markovian discriminator (PatchGAN) 3.3 Optimization and inference 4. Experiments 4.1 Evaluation metrics 4.2. Analysis of the objective function 4.3. Analysis of the generator architecture 4.4. From PixelGANs to PatchGANs to ImageGANs 4.5. Perceptual validation 4.6 Se.. 2022. 7. 6. Generative Adversarial Nets 리뷰 목차 0. Abstract 1. Introduction 2. Related work 3. Adversarial nets 4. Theoretical Results 4.1 global optimality of pg=pdata 4.2 Convergence of Algorithm 1 5. Experiments 6. Advantages and disadvantages 7. Conclusions and future work 0. Abstract Adversarial 과정을 통해 생성모델을 평가하는 새로운 프레임워크를 제안 두 개의 분리된 모델을 동시에 학습 - Generative model G(생성기): 데이터의 분포를 학습하는 모델 - Discriminative model D(판별기): 샘플이 G에서 온게 아니고.. 2022. 7. 4. Conditional Generative Adversarial Nets 리뷰 목차 0. Abstract 1. Introduction 2. Related work 2.1 Multi-modal learning for image labeling 3. Conditional Adversarial Nets 3.1 Generative Adversarial Nets 3.2 Conditional Adversarial Nets 4. Experimental Results 4.1 Unimodal 4.2 Multimodal 5. Future Work 0. Abstract Generative Adversarial Nets에 조건을 추가한 조건부버전 (G와 D에 조건을 지정하는 데이터 y를 공급) 1. Introduction GAN 생성모델을 훈련하여 난해한 확률적 계산 근사 어려움 해결의 대안 장점 - .. 2022. 6. 24. 이전 1 2 다음 728x90
