티스토리

KAU-Deeperent
검색하기

블로그 홈

KAU-Deeperent

kau-deeperent.tistory.com/m

안녕하세요. 한국항공대학교 머신러닝 동아리 (구 딥러닝학회) 입니다.

구독자
5
방명록 방문하기
공지 정기세션 블로그 활용법 모두보기

주요 글 목록

  • 카메라 딥러닝 객체인식 [기존 영상처리 기법과 딥러닝 기반의 차이] 작성자: 황태언 다음은 간단하게 번호판 인식으로 기존 영상처리 기법과 딥러닝 기반의 차이를 보여드리겠습니다. 영상 처리를 러닝 기반이 아니기에 화면의 픽셀 값으로 연산을 수행하면 됩니다. 이제 딥러닝 기반은 학습이 필요합니다. (open source가 요즘 상당히 잘 돼 있습니다.) 학습된 가중치들만 가져다 쓸 수 있어서 편리하다는 장점도 있습니다. - 영상처리 기반 방법 요약 1. 이미지를 rgb에서 gray scale로 변경합니다. 2. 모폴로지 기법을 적용합니다. 3. 가우시안 필터를 사용하여 잡음 제거 후 threshold로 0 or 255로 나타냅니다. 4. 외곽선 검출 (edge detection)을 수행합니다. 5. Bounding box 검출 후에 임의 조건이 다 맞으면 번호판으로 인식합니.. 공감수 2 댓글수 0 2022. 2. 12.
  • 카메라 딥러닝 객체인식 [YOLO v5, YOLO X, CNN의 단점, SOTA] 작성자: 황태언 YOLO v5 Yolo v5는 논문이 아닌 걸로 알고 있습니다. 그러나 현재 detection 분야에서 가장 많이 쓰고 있지 않나라는 개인적인 생각입니다. FPS가 무려 140이고 Map는 89.5를 달성했다. Small, medium, large, xlarge 버전이 있다. 알맞은 것 사용하면 될 것 같습니다. 블로그를 통해 확인할 수 있을 것입니다. YOLOv5 is Here: State-of-the-Art Object Detection at 140 FPS (roboflow.com) Backbone은 잘 알려져 있습니다. CSPNet을 사용한 것입니다. 자세한 설명은 하지 않고 간단하게 설명하겠습니다. CSPNet[20]: 3가지 이슈를 다루고 있다며 Introduction에서 언급합.. 공감수 3 댓글수 0 2022. 2. 12.
  • 카메라 딥러닝 객체인식 [FPN, EfficientDet, YOLO v3,v4] 작성자: 황태언 FPN(Feature Pyramid Networks for Object Detection) 다음은 FPN에 대해 설명하겠습니다. 후에 언급할 EfficientDet이나 YOLO v4에서 구조를 적용하기도 합니다. 이 둘은 아직까지 잘 사용되고 있으며 실제 제가 번호판 detection project에서 사용한 모델도 YOLO v4입니다. FPN(Feature Pyramid Network) [14]: Layer가 깊어지면서 더 전역적인 특징을 갖는 특징 맵을 추출하게 됩니다. 깊은 Layer에서 추출한 특징 맵을 현재 Layer의 특징 맵과 Concatenation 하여 동시에 고려합니다. 이는 객체 인식의 성능을 개선합니다. 논문에서 (a) Featurized image pyramid, .. 공감수 1 댓글수 0 2022. 2. 12.
  • 카메라 딥러닝 객체인식 [Object detection, Stage Detector, YOLO, SSD] 작성자: 황태언 Object detection object detection은 앞서 언급했듯이 분류의 문제와 위치를 동시에 고려해야 합니다. 그렇기에 동시에 해결하기 위한 신경망 학습이 필요합니다. 또한 손실함수도 이에 맞게 설정될 필요가 있습니다. 크게 발전 방향은 2-Stage Detector와 1-Stage Detector로 나눌 수 있습니다. 이에 맞는 대표적인 알고리즘과 최신 트렌드를 설명해보겠습니다. experiment 부분은 설명하지 않을 것입니다. 출처: https://mlai.iptek.web.id/2019/01/20/object-detection-state-of-the-art-progress/ 위 그림은 유명한 순서도입니다. 빨간색으로 된 것은 상당히 유명한 알고리즘입니다. 현재는 유명.. 공감수 0 댓글수 0 2022. 2. 12.
  • 카메라 딥러닝 객체인식 [객체인식과 CNN] 작성자: 황태언 컴퓨터 비전의 주 목적은 이미지를 이해하는 것입니다. 픽셀로부터 정보를 추출하는 것이 목적입니다. 이것들은 객체 위치나 개수 등일 것입니다. 그에 따라 애플리케이션 분야는 많습니다. 객체 분류, 식별, 탐지 및 위치 측정, 객체 및 인스턴스 분할, 자세 추정, 동영상 분석, 장면 복원 등 상당하게 많은 분야가 있습니다. 객체인식이 무엇인가? 객체인식은 이미지 (비디오) 같은 영상 데이터 안에서 물체를 라벨링하고 인식하는 것을 의미합니다. (Classification + Localization 개념) 무조건 카메라에서 나오는 데이터는 아닙니다. (lidar의 point cloud data etc…) 이번 조사에서는 object detection 연구나 트렌드 위주로 설명하겠습니다. 자율주행.. 공감수 1 댓글수 0 2022. 2. 12.
  • 항공대 머신러닝 동아리 Deeperent 7기 모집! 항공대 머신러닝 동아리 Deeperent 7기 모집! 안녕하세요! 한국항공대 머신러닝소모임 DEEPERENT 에서 7기 부원을 모집합니다🥳 ✔️딥러닝 과 머신러닝 혹은 데이터사이언스를 공부해보고싶다! ✔️딥러닝에 대해 공부하고 있지만 혼자 공부하기 너무 힘들다! ✔️딥러닝을 적용하여 여러 프로젝트를 해보고싶다! ✔️딥러닝 논문을 공부하고 내가 직접 모델구현을 해보고싶다! 하시는 분들은 모두모두 머신러닝 소모임에 지원해주세요💫 체계적이고 심도있는 딥러닝공부와 다양하고 흥미로운 프로젝트를 진행합니다 🧞 ♂️DEEPERENT 공식블로그 주소 https://kau-deeperent.tistory.com/m 📍모집 기간 : 12/02 ~ 12/25 자정까지 📍모집 인원 : 15명 이내 📍활동 기간 : 2022 0.. 공감수 0 댓글수 0 2021. 12. 2.
  • 항공대 머신러닝 동아리 Deeperent 6기 모집! 안녕하세요! 한국항공대 머신러닝소모임 DEEPERENT 에서 6기 부원을 모집합니다🥳 ✔️딥러닝 과 머신러닝 혹은 데이터사이언스를 공부해보고싶다! ✔️딥러닝에 대해 공부하고 있지만 혼자 공부하기 너무 힘들다! ✔️딥러닝을 적용하여 여러 프로젝트를 해보고싶다! ✔️딥러닝 논문을 공부하고 내가 직접 모델구현을 해보고싶다! 하시는 분들은 모두모두 머신러닝 소모임에 지원해주세요💫 체계적이고 심도있는 딥러닝공부와 다양하고 흥미로운 프로젝트를 진행합니다 🧞‍♂️DEEPERENT 공식블로그 주소 https://kau-deeperent.tistory.com/m 📍모집 기간 : 7/12 ~ 7/25 자정까지 📍모집 인원 : 15명 이내 📍활동 기간 : 7/26 ~ 12/31 📍활동 방식 : 방역수칙에 따라 거리두기 1단.. 공감수 0 댓글수 0 2021. 7. 15.
  • 강화학습팀 스터디 Review 강화학습팀 : 조민성 이상민 임정환 차원범 백윤성 발표자 : 백윤성 강화학습팀은 David Silver의 Reinforcement Learning Course를 리뷰한 팡요랩 유튜브를 보며 스터디를 진행하였다. Lecture 1~6의 강의를 들었고 해당 리뷰에서는 Lecture 2~5의 내용에 대한 대략적인 리뷰를 진행한다. 리뷰에 앞서서 RL문제에 대한 분류를 보자면 1. environment에 대한 model을 아느냐, 즉 MDP를 모두 아는 상황의 문제를 model-based, MDP를 모두 알지는 못하는 문제를 model-free문제로 볼 수 있다. model-based 문제는 model을 통해 바로 다음 state를 planning이 가능하지만 model-free 문제는 알지 못하기 때문에 시뮬.. 공감수 1 댓글수 0 2021. 4. 15.
  • 2021/03/27 세미나 휴리스틱한 해를 찾는다? ==>어떠한 근사해? approximation 주변만 바꾼다고 했을 때 그 전이랑 얼마나 바뀌는지? Improvement를 한다. 적용되는 좋은 방법들이 달라서 전문가의 수작업이 필요하다. 휴리스틱이 뭐에요? 알고리즘=>정확한 답을 찾는다 시간 복잡도==>어떤 시간 내에 이 문제를 정확히 답을 낼 수 있다. 메타 휴리스틱,휴리스틱: 정확한 답을 못낸다. 휴리스틱: 국한된 문제 메타 휴리스틱:고차원적인 개념? SDS에서 AI를 이용해서 문제를 해결하려 한다. Baseline이라는 기준치에.. 정답은 아니다. 평균길이를 2.5로 했을 때 3가지 시도 이렇게 3가지를 사용하면 가운데 AI는 최적의 옵티멈을 발견하기가 힘들다. POMO라는 알고리즘을 개발해서 성능을 높였다. 산업현장에서.. 공감수 0 댓글수 0 2021. 3. 27.
  • [Pytorch] Siamese network를 이용하여 나의 외모를 점검해보자_2탄 ※ hackernoon.com/facial-similarity-with-siamese-networks-in-pytorch-9642aa9db2f7의 도움을 아주 많이 받았습니다. Facial Similarity with Siamese Networks in PyTorch | Hacker Noon Facial Similarity with Siamese Networks in PyTorch This is Part 2 of a two part article. You should read part 1 before continuing here. In the last article discussed the class of problems that one shot learning aims to solve, and how .. 공감수 8 댓글수 1 2021. 2. 27.
  • VGGNet 논문 리뷰 VGGNet은 2014 ImageNet Challenge에서 GoogLeNet 다음으로 2등을 차지한 네트워크입니다. 하지만 GoogLeNet보다 더 간결한 구조로 인해 더 각광받았습니다. VGGNet의 특징은 다음과 같으며 이는 논문의 핵심이 됩니다. 이전 대회(~2015 ILVSRC)보다 2배 이상의 깊이(19 layers)를 가진 네트워크를 구성 3x3 Convolutional layer만을 사용 공감수 1 댓글수 0 2021. 2. 27.
  • Resnet 논문 리뷰 논문 핵심 요약 www.youtube.com/watch?v=671BsKl8d0E shortcut connection or skip connection -->추가적인 파라미터는 필요 없다. 앞서 학습했던 정보를 가져오고 그대로 가져오고 추가적으로 F를 더해주겠다는 것이다. 잔여 한 정보인 F만 추가적으로 학습시켜주는 형태 전체를 다 학습하는 경우보다 훨씬 쉽다. H(x)는 개별적으로 학습을 진행할 필요가 있어서 수렴 난이도가 높아지게 된다. 반면에 우측 네트워크는 학습했던 정보를 가져오고 추가적으로 학습이 필요한 부분만 학습시키면 된다. 동일한 답을 도출한다고 하더라도 F를 학습시키는것이 더 쉽다. 매번 새로운 맵핑 값들에 대해서 학습 하는 대신 4. Experiments 1000의 클래스로 구성된 [Im.. 공감수 0 댓글수 0 2021. 2. 26.
  • ImageFolder [폐렴 분류해보기] 오랜만에 즐거운 machine learning 시간 데이터 셋이 필요하기 때문에 Kaggle에서 X-ray 데이터 셋을 다운로드 받아옵니다. www.kaggle.com/paultimothymooney/chest-xray-pneumonia Chest X-Ray Images (Pneumonia) 5,863 images, 2 categories www.kaggle.com 우한 폐렴 데이터도 준비했습니다. 우리는 colab을 사용할것이기 때문에 데이터 셋을 구글 드라이브에 올려주도록 합시다. 실습 import torchvision from torchvision import transforms from torch.utils.data import DataLoader 토치 비전 라이브러리와 데이터 로더 라이브러리를 .. 공감수 0 댓글수 0 2021. 2. 18.
  • [Pytorch] Siamese network를 이용하여 나의 외모를 점검해보자_1탄 나는 왜 여자 친구가 없을까? 3자가 본다면 바로 의심해볼 만할 구석이 있겠지만, 정작 자신은 받아들이기 힘든 이유가 있습니다. 제가 생각하는 연인이 있을 확률은 다음과 같습니다. 제가 생각하는 외모가 1인 사람은 원빈입니다. 머신러닝을 통해 제 얼굴을 원빈과 고릴라와 비교하여 보겠습니다. 이 과정에서 Siamese Network를 통한 얼굴인식, One_shot Learning에 대해서도 알아볼 수 있을 것입니다. [One Shot Learning] 소규모의 데이터 혹은 한번 본 물체를 많은 데이터와 비교하고 분류할 때 사용하는 방법입니다. 기존의 딥러닝 방식은 Convolution network가 충분히 학습할 수 있도록 많은 양의 데이터를 요구합니다. 하지만 얼굴 인식에서는 많은 데이터 확보가 어렵.. 공감수 4 댓글수 2 2021. 2. 18.
  • [Pytorch] 데이터를 뻥튀기하자! Data Augmentation 머신러닝을 하는 중 데이터 수집 단계에서 복사-붙여 넣기의 유혹에 빠지곤 합니다. 데이터를 모으기도 귀찮고, 원하는 이미지 데이터를 직접 잘라내는 일도 만만치 않은 작업입니다. 다행히 우리는 DATA Augmentation이라는 데이터 뻥튀기하는 방법을 알고 있습니다. [DATA Augmentation이란?] 한정된 데이터를 적절한 작업을 통해 늘릴 수 있습니다. 우선 다음 사진을 보겠습니다. 인간의 눈으로 보면 위 사진은 같은 고양이를 약간 돌리거나 좌우 반전한 모습에 지나지 않습니다. 하지만 컴퓨터의 눈으로 위 사진을 본다면, 살짝 돌리거나 좌우 반전한 같은 고양이의 사진은 완전히 새로운 데이터가 될 것입니다. 컴퓨터는 이미지를 볼 때 세 개의 채널(RGB)로 나누고, 각 픽셀의 RGB농도를 조절하여.. 공감수 3 댓글수 0 2021. 2. 13.
  • 모두의 딥러닝 Lec 18 ~ Lec 21 리뷰 C팀 : 김경태 남서아 김태현 백윤성 이상민 발표자 : 백윤성 이번 주는 CNN의 개념, 구조에 대해 배우고 데이터를 받아와 학습시켜보는 과정을 공부했습니다. 발표자는 CNN이 Vision에서 강점을 나타내는 것이 CNN의 어떤 특성 때문인지에 대해 찾아보았습니다. 추가로 저번 주 Batch Normalization에서 나온 학습 파라미터 Gamma, Beta를 왜 학습시키는지에 대해 리뷰하겠습니다. 1. CNN과 Vision 합성곱 신경망은 image processing에서 강점을 나타내며 자율 주행 자동차, 얼굴 인식 애플리케이션과 같이 객체 인식과 컴퓨터 비전이 필요한 분야에서 많이 사용합니다. 그렇다면 CNN은 왜 image processing에서 강점을 나타낼까요? 발표자는 CNN의 기원이 되는.. 공감수 0 댓글수 0 2021. 2. 12.
  • 모두의 딥러닝2 Lec 18~21 review [CNN은 왜 잘 작동할까?] 2021-02-05 온라인 스터디 황준성 김정민 서지민 김주안 차원범 문종연 convolution이란 무엇인가? •2D Convolution •주어진 filter로 입력 영상에 Convolution하여 출력 영상을 얻어내는 과정 •딥러닝에서는 해당 filter를 하나의 ‘가중치’로 보고 학습시키는 대상이 됨 •RGB Convolution •컬러 이미지는 R,G,B 3개의 이미지로 구성됨 •해당 이미지를 Convolution하기 위해서는 3개의 필터를 사용하여 1개의 Output을 가지는 것이 일반적 •Multi Channel Convolution •1개의 층에서 여러 Convolution 출력 값을 도출해내기 위해 여러 Filter를 사용하여 Convolution 실시 Convolution을 왜 사용하는.. 공감수 0 댓글수 0 2021. 2. 5.
  • 모두의 딥러닝2 Lec 14~17 review 안녕하세요? A조 발표를 맡은 홍혜선입니다. 강의 내용은 14~17강의 전반적인 내용과 조별 회의에서 다뤘던 내용을 중심으로 준비했습니다. 먼저 저는 강의별로 내용을 정리했습니다. 14강에서는 ReLU를 다뤘습니다. 기존에 사용했던 Sigmoid는 양 끝 Gradient는 0에 수렴하는 값을 가지기에 Vanishing Gradient 현상이 일어날 수 있습니다. Vanishing Gradient는 다음 사진과 같이 여러 레이어를 쓸 때 Backpropagation으로 Gradient가 소멸되는 현상입니다. 그럼 ReLU의 어떤 특징이 Vanishing Gradient문제를 해결할 수 있었을까요? ReLU는 x가 0보다 작을 때 0을 출력하고, X가 0보다 클 때 자기 자신 출력합니다. 그래프로 나타내면 .. 공감수 0 댓글수 0 2021. 2. 5.
  • 모두의 딥러닝 2 Lec 14 ~ 17 review 안녕하세요 B조 김주안입니다. 팀내에서 나온 질문과 토의했던 부분을 중심으로 리뷰하도록 하겠습니다. 1. "Sigmoid 는 왜 Vanishing Problem 이 생기는 가?" 에 대한 수학적 고찰 이 궁금증을 해결하기 위해서는 몇가지 요건을 이해해야 합니다. 퍼즐조각 모으듯이 하나둘 관찰하면 나중엔 노력하지 않아도 이해할 수 있습니다. 먼저 sigmoid 를 미분해야 합니다. 위의 식처럼 미분이 되는데요, 그래프를 그려보면 sigmoid 함수의 미분값은 1/4을 넘지 않는다는 것을 알 수 있습니다. (이거 나중에 쓸겁니다. 기억하세요) 다음은 Back propagation을 할때 사용하는 Chain rule 을 이해해 보는 것입니다. 일단 간단한 예시를 위해 몇 가지 조건이 붙은 신경망을 그렸습니다... 공감수 2 댓글수 0 2021. 2. 4.
  • 모두의 딥러닝 2 Lec 14 ~ 17 review 안녕하세요 이번 C조 발표를 맡은 김태현입니다. 오늘 발표할 내용은 weight initialization(가중치 초기화)에 대한 내용입니다. 다른 내용들은 앞에서 잘 발표해주실거라 믿어서 가중치 초기화에 더 집중해서 설명해보려고 합니다. 먼저 Weight initialization이 중요한 가장 큰 이유는 학습이 제대로 안되서입니다. 이 부분에 대해서는 강의에 잘 나와있기 때문에 넘어가도록 하겠습니다. 원래는 vanishing gradient 문제 때문에 두 번째 Neural Network의 암흑기를 겪고 있었는데 2006년, 딥러닝의 아버지, 제프리 힌튼 교수가 RBM을 사용하여 가중치를 초기화를 하고 학습시키면 훨씬 좋은 결과를 낼 수 있다는 것을 논문으로 발표를 합니다. “Geoffrey Hint.. 공감수 1 댓글수 0 2021. 2. 2.
  • 모두의 딥러닝 2 Lec 10 ~ 13 review 2021-01-23 온라인 스터디 황준성 김정민 서지민 김주안 차원범 문종연 1-1) Probabilistic Perspective 머신러닝은 주어진 데이터를 가장 잘 설명하는 '함수'를 찾는 알고리즘을 디자인하는 것이라고 볼 수 있다. 이를 확률적 관점에서 보면, 머신러닝은 '확률 밀도'를 찾는 것으로 생각할 수 있다. 즉, 함수 대신 '확률 밀도'를 찾는 것을 목표로 하고, 적절한 확률 분포의 parameter를 유추하는 것이다. Function parameter -> Probability Density Function parameter 1-2) Maximum Likelihood Estimation (MLE) : Probability Theory 랜덤 변수에 대한 parameter를 estimate하.. 공감수 1 댓글수 1 2021. 1. 29.
  • 모두의 딥러닝 2 Lec 10 ~ 13 review 안녕하세요. 이번 3주차 모두의 딥러닝2 강의 리뷰를 맡게된 C조 남서아입니다. 그럼 리뷰 시작해보겠습니다. 먼저 목차를 소개해드리자면, 강의의 순서랑 같게 진행이 됩니다. 먼저 오버피팅과 그래디언트 디센트 등을 소개한 뒤에 이를 구현한 예제를 살펴보겠습니다. 또 MNIST가 무엇인지, 여기에 어떤 개념들이 중요하게 사용되는지 다루겠습니다. 다음으로 퍼셉트론, 그 다음에 멀티레이어, 즉 다층 퍼셉트론. 이런 식으로 진행하겠습니다. 또, 이번 강의에 다루지는 않았지만, 간략히 이름만 나왔던 정규화 방식 2가지에 대해 따로 소개 드리고. 마지막으로 이번 수업내용에서 떠올린 제 의문점을 제시하겠습니다. 첫 번째로 소개할 내용은 MLE인데요. 이건 통계학적인 방법이면서, 원하는 값들이 나올 가능도를 최대로 만드.. 공감수 1 댓글수 0 2021. 1. 28.
  • 모두의 딥러닝 2 Lec 10 ~ 13 reviwe 2021/01/23 온라인 스터디 조민성 임정환 전준희 이도훈 홍혜선 압정을 던졌을 때 바닥에 떨어지는 경우를 class1, class2가 있다고 가정하면 위와 같이 가능도를 구할 수 있습니다. 가능도를 최대로 만들어주는 확률 세타를 구하는 것이 목적입니다. 그래프의 형태를 보면 지금까지 배우 Gradient descent가 아닌 Gradient ascent를 통해 구할 수 있음을 알 수 있습니다. Regression을 구할 때 주어진 training data를 통해서 학습을 계속하다보면 training data 안에 있는 noise data들에 의해 붉은 선과 같이 overfitting 된 선이 구해집니다. 원래 구하고 싶었던 파란 선을 구하려면 어떻게 해야할까요? 전체 data에서 일정한 비율로 tr.. 공감수 0 댓글수 0 2021. 1. 27.
  • 모두의 딥러닝 2 Lec 6 ~ Lec 9 review C팀 : 김경태 남서아 김태현 백윤성 이상민 발표자 : 이상민 유튜브 채널 Deep Learning Zero To All 님의 '모두를 위한 딥러닝 시즌2 - Pytorch' 6~9 번째 강의를 듣고 리뷰하며 이전 학기 수업에서 사용한 데이터를 통해 직접 네트워크를 구성하여 모델 훈련 과정까지 보여드립니다. 모든 코드는 Google Colab을 이용하였으며 Pytorch와 scikit-learn, pandas 모듈을 사용하였습니다. 1. Multivariate Linear Regression 이전 강의에서는 Input이 하나인 Single Linear Regression을 배웠습니다. Input $x$ 하나로부터 가설 $H(x)=wx+b$ 를 세워 Output을 유추 하고 이를 실제 output $y$ .. 공감수 0 댓글수 1 2021. 1. 22.
  • 모두의 딥러닝2 Lec 6 ~ Lec 9 review 2021-01-16 온라인 스터디 황준성 김정민 서지민 김주안 차원범 문종연 Lab 4 review part1. Multivariable Linear regression multivariate(다변수) 선형회귀는 여러개의 입력변수로부터 결과값을 도출하는 방식입니다. 그림에 써진것과 같이 일반적인 선형회귀는 하나의 입력변수로부터 결과를 얻습니다. 반면 multivariate 선형회귀는 결과에 미치는 변수들이 여러개 존재할때 사용하게 됩니다. 이러한 여러 변수 입력을 표현하기위해 pytorch에선 뉴럴네트워크 모듈을 사용하여 간단히 표현할수 있습니다. multivariate 선형회귀의 cost function은 일반선형 회귀와 동일한 평균제곱 오차식을 사용하게됩니다. 따라서 pytorch에서 표현 할 때는 .. 공감수 1 댓글수 0 2021. 1. 17.
  • 모두의 딥러닝 Lec 1 ~ Lec 5 리뷰 지극히 주관적인 [모두의 딥러닝 시즌 2] 강좌 리뷰입니다. 개인적으로 몰랐던 부분, 알게된 부분을 중점으로 작성하였습니다. 1. 파이토치 인덱싱 넘파이의 인덱싱 과정과 같습니다. 가장 기본적인 연산입니다. 다음과 같은 벡터를 생성해봅시다. a = [0, 1, 2, 3, 4, 5]입니다. 각 연산 결과는 바로 옆에 위치한 사진과 같습니다. a[::] 인덱싱 : 시작이 없으므로 0번째부터, 끝이 없으므로 맨 뒤까지, 점프가 없으므로 기본값인 1이 설정되어 [0, 1, 2, 3, 4, 5]가 출력되었습니다. a[:3] 인덱싱 : 시작이 없으므로 0번째부터, 3번 인덱스까지 1씩 점프하였으므로, [0, 1, 2]가 출력되었습니다. a[:4:2] 인덱싱 : 시작이 없으므로 0번째부터, 4번째 인덱스까지 2씩 점.. 공감수 0 댓글수 0 2021. 1. 15.
  • 모두의 딥러닝 Lec 1 ~ Lec 5 리뷰 C팀 : 김경태 남서아 김태현 백윤성 이상민 발표자 : 백윤성 모두의 딥러닝 강의에서 나온 Linear regression에서 사용된 함수에 대해 발표자가 개인적으로 궁금했던 부분에 대해 리뷰하고, 간단한 데이터 셋으로 하나의 input을 갖는 선형 회귀 모델을 만들어 보겠습니다. 1. optim.SGD() 강의에서 선형 회귀 모델을 만드는 optimizer로 확률적 경사하강법(이하 SGD)를 사용하였습니다. 이를 기본적인 경사하강법과의 차이에 대해 알아보았습니다. GD는 각 step마다 전체 데이터를 이용하여 가중치를 update합니다. 반면 SGD는 데이터의 일부분을 추출하여 각 step마다 mini-batch만을 이용하여 update를 진행합니다. 이러한 방법은 최적값을 찾아나가는 과정이 노이즈가 .. 공감수 0 댓글수 0 2021. 1. 14.
  • 모두의 딥러닝 Lec 1 ~ Lec 5 review 2021-01-08 온라인 스터디 황준성 김정민 서지민 김주안 차원범 문종연 Lab 1 review part 1. 스칼라, 벡터, 행렬, 텐서 우리가 앞으로 다룰 가장 기본적인 스칼라, 벡터, 행렬, 텐서에 대해서 개념을 정리해 봅시다. 스칼라(Scalar)는 차원이 없는 숫자 하나로 이루어진 데이터입니다.(ex: x = +5) 벡터(Vector)의 물리적인 의미는 크기와 방향을 가지고 있으면 벡터라고 합니다. 여기서는 스칼라의 배열 이라고 생각하시면 됩니다. (ex : x = [1 , 2]) 행렬(matrix)은 2차원의 배열입니다. 가장 대표적인 예로 가로 세로의 2차원 이미지를 생각하시면 됩니다.(ex : x = [1, 2: 3, 4]) 텐서(Tensor)는 2차원 이상의 배열을 생각하시면 됩니다... 공감수 1 댓글수 0 2021. 1. 9.
  • RCNN 논문 리뷰 작성자 : 노신영 1.컴퓨터비전에서의 문제들은 크게 4가지로 분류할 수 있습니다. 싱글오브젝트에 대해 클래스를 분류하는 클래시피케이션, 클래시피케이션에서 해당 오브젝트의 바운딩박스를 찾는 로컬리제이션, 그리고 멀티플 오브젝트에 대해 앞선 클래시피케이션과 로컬리제이션을 수행하는 오브젝트 디텍션, 마지막으로 오브젝트 디텍션에서 바운딩박스가 아닌 픽셀단위로 오브젝트를 찾는 세그맨테이션이 있습니다. 오늘 리뷰할 RCNN 은 세번째인 오브젝트 디텍션 모델에 해당합니다. 2. 오브젝트 디텍션을 수행하는 디텍터는 원스테이지 디텍터와 투스테이지 디텍터 두종류 입니다. 투스테이지 디텍터는 리전 프로포절과 클래시피케이션이 각각 다른 모듈에서 순차적으로 진행되는 모델을 의미합니다. 반면 원스테이지 디텍터는 투스테이지에서 두.. 공감수 1 댓글수 1 2020. 12. 8.
  • YOLO, YOLOv3 논문 리뷰 작성자 : 윤나라 YOLO - 45fps로 이미지 처리 가능 - Localization 오류가 많음 - Background에서 false positive를 예측하는 경우는 적음 1. Introduction • Object Detection을 이미지 픽셀에서 bounding box 좌표 및 클래스 확률에 이르는 single regression problem으로 구성 • 단일 convolution network가 동시에 multiple bounding box들과 그 box들의 class probability 들을 예측 • 장점 - 매우 빠르고, 복잡한 pipeline이 필요 없다. - 예측에 대해 globally하게 판단한다 2. Unified Detection - Object detection에 대한 분리.. 공감수 1 댓글수 0 2020. 12. 5.
    문의안내
    • 티스토리
    • 로그인
    • 고객센터

    티스토리는 카카오에서 사랑을 담아 만듭니다.

    © Kakao Corp.