PyTorchKorea · cpprhtn · Jul 7, 2023 · Jul 7, 2023 · Jul 7, 2023 · Jul 7, 2023
diff --git a/facebookresearch_pytorchvideo_resnet.md b/facebookresearch_pytorchvideo_resnet.md
@@ -18,7 +18,7 @@ demo-model-link: https://huggingface.co/spaces/pytorch/3D_ResNet
 
 ### 사용 예시
 
-#### Imports
+#### 불러오기
 
 모델 불러오기: 
 
@@ -47,7 +47,7 @@ from pytorchvideo.transforms import (
 )
 ```
 
-#### 환경설정
+#### 셋업
 
 모델을 평가 모드로 설정하고 원하는 디바이스 방식을 선택합니다.
 
@@ -58,7 +58,7 @@ model = model.eval()
 model = model.to(device)
 ```
 
-토치 허브 모델이 훈련된 Kinetics 400 데이터셋에 대해 ID에서의 레이블과 맞는 정보를 다운로드합니다. 이는 예측된 클래스 ID에서 카테고리 레이블 이름을 가져오는데 사용됩니다.
+토치 허브 모델이 훈련된 Kinetics 400 데이터셋에 대해 ID에서의 레이블 매핑 정보를 다운로드합니다. 이는 예측된 클래스 ID에서 카테고리 레이블 이름을 가져오는데 사용됩니다.
 
 ```python
 json_url = "https://dl.fbaipublicfiles.com/pyslowfast/dataset/class_names/kinetics_classnames.json"
@@ -159,6 +159,7 @@ print("Top 5 predicted labels: %s" % ", ".join(pred_class_names))
 
 ### 모델 설명
 모델 아키텍처는 Kinetics 데이터셋의 8x8 설정을 사용하여 사전 훈련된 가중치가 있는 참고문헌 [1]을 기반으로 합니다.
+
 | arch | depth | frame length x sample rate | top 1 | top 5 | Flops (G) | Params (M) |
 | --------------- | ----------- | ----------- | ----------- | ----------- | ----------- |  ----------- |
 | Slow     | R50   | 8x8                        | 74.58 | 91.63 | 54.52     | 32.45     |

diff --git a/facebookresearch_pytorchvideo_slowfast.md b/facebookresearch_pytorchvideo_slowfast.md
@@ -78,7 +78,7 @@ for k, v in kinetics_classnames.items():
     kinetics_id_to_classname[v] = str(k).replace('"', "")
 ```
 
-#### 입력 변환에 대한 정의
+#### 입력 형태에 대한 정의
 
 ```python
 side_size = 256

diff --git a/facebookresearch_pytorchvideo_x3d.md b/facebookresearch_pytorchvideo_x3d.md
@@ -18,7 +18,7 @@ demo-model-link: https://huggingface.co/spaces/pytorch/X3D
 
 ### 사용 예시
 
-#### Imports
+#### 불러오기
 
 모델 불러오기:
 

diff --git a/hustvl_yolop.md b/hustvl_yolop.md
@@ -125,7 +125,15 @@ det_out, da_seg_out,ll_seg_out = model(img)
 
 ### 인용(Citation)
 
-See for more detail in [github code](https://github.com/hustvl/YOLOP) and [arxiv paper](https://arxiv.org/abs/2108.11250).
-
-본 논문과 코드가 여러분의 연구에 유용하다고 판단되면, GitHub star를 주는 것과 본 논문을 인용하는 것을 고려해 주세요:
-
+본 [논문](https://arxiv.org/abs/2108.11250) 과 [코드](https://github.com/hustvl/YOLOP) 가 여러분의 연구에 유용하다고 판단되면, GitHub star를 주는 것과 본 논문을 인용하는 것을 고려해 주세요:
+
+```BibTeX
+@article{wu2022yolop,
+  title={Yolop: You only look once for panoptic driving perception},
+  author={Wu, Dong and Liao, Man-Wen and Zhang, Wei-Tian and Wang, Xing-Gang and Bai, Xiang and Cheng, Wen-Qing and Liu, Wen-Yu},
+  journal={Machine Intelligence Research},
+  pages={1--13},
+  year={2022},
+  publisher={Springer}
+}
+```
diff --git a/pytorch_vision_resnext.md b/pytorch_vision_resnext.md
@@ -85,7 +85,7 @@ for i in range(top5_prob.size(0)):
 
 ### 모델 설명
 
-Resnext 모델은 논문 [Aggregated Residual Transformations for Deep Neural Networks]에서 제안되었습니다. (https://arxiv.org/abs/1611.05431).
+Resnext 모델은 논문 ["Aggregated Residual Transformations for Deep Neural Networks"](https://arxiv.org/abs/1611.05431) 에서 제안되었습니다.
 여기서는 50개의 계층과 101개의 계층을 가지는 2개의 resnet 모델을 제공하고 있습니다.
 resnet50과 resnext50의 아키텍처 차이는 논문의 Table 1을 참고하십시오.
 ImageNet 데이터셋에 대한 사전훈련된 모델의 에러(성능)은 아래 표와 같습니다.

diff --git a/pytorch_vision_vgg.md b/pytorch_vision_vgg.md
@@ -90,12 +90,12 @@ for i in range(top5_prob.size(0)):
 
 ### 모델 설명
 
-각 구성 및 bachnorm 버전에 대해서 [Very Deep Convolutional Networks for Large-Scale Image Recognition](https://arxiv.org/abs/1409.1556)에서 제안한 모델에 대한 구현이 있습니다.
+각 구성 및 batchnorm 버전에 대해서 [Very Deep Convolutional Networks for Large-Scale Image Recognition](https://arxiv.org/abs/1409.1556)에서 제안한 모델에 대한 구현이 있습니다.
 
 예를 들어, 논문에 제시된 구성 `A`는 `vgg11`, `B`는 `vgg13`, `D`는 `vgg16`, `E`는 `vgg19`입니다.
 batchnorm 버전은 `_bn`이 접미사로 붙어있습니다.
 
-사전 훈련된 모델이 있는 imagenet 데이터 세트의 1-crop 오류율은 아래에 나열되어 있습니다.
+사전 훈련된 모델이 있는 ImageNet 데이터 세트의 Top-1 오류율은 아래에 나열되어 있습니다.
 
 | Model structure | Top-1 error | Top-5 error |
 | --------------- | ----------- | ----------- |

diff --git a/pytorch_vision_wide_resnet.md b/pytorch_vision_wide_resnet.md
@@ -91,6 +91,7 @@ Wide Residual 네트워크는 ResNet에 비해 단순히 채널 수가 증가했
 
 `wide_resnet50_2` 및 `wide_resnet101_2` 모델은 [Warm Restarts가 있는 SGD(SGDR)](https://arxiv.org/abs/1608.03983)를 사용하여 혼합 정밀도(Mixed Precision) 방식으로 학습되었습니다.
 체크 포인트는 크기가 작은 경우 절반 정밀도(batch norm 제외)의 가중치를 가지며 FP32 모델에서도 사용할 수 있습니다.
+
 | Model structure   | Top-1 error | Top-5 error | # parameters |
 | ----------------- | :---------: | :---------: | :----------: |
 |  wide_resnet50_2  | 21.49       | 5.91        | 68.9M        |