오늘 못하면 내일도 못한다

• 컴퓨터비전

  16(3). Image Retrieval

  2022.12.10

  📌 Instance recognition 우리는 어떻게 큰 DB에서 빠르게 원하는 image를 찾을 수 있을까? image에서 match하는 feature 수가 많으면 우리가 원하는 이미지(exhaustive search) 일 것이다 -> 너무 느리다! 📌 Fast lookup : inverted index 각 이미지에서 feature가 있는 것을 찾는 것이 아닌, 각 image가 가진 feature들을 정리해 놓는다 한 마디로 feature가 index가 되는 것이다. 그렇다면 만약 feature 3을 가진 image를 찾는다면 표에서 feature 3 index에 포함된 image만 보면 되므로 시간이 절약될 것이다 key requirement : sparsity(희소성) 대부분의 image에서 모두..

• 기계학습개론

  22. Generative Adversarial Network (GAN)

  2022.12.15

  📌 GAN concept 이 경쟁이 그들을 우수하게 만들 것이라는 희망으로 신경망을 서로 경쟁하게 만든다. generator는 training data와 비슷한 data를 생성하려하고, discriminator는 진짜와 가짜를 구분하려 한다 생성적 적대 신경망, adversarial이 중요, 서로 발전한다 AE : input과 비슷한 output을 만들어내는 역할 Generator VAE의 decoder와 비슷한 모양이다 처음에는 랜덤한 pixel 값으로 채워진 가짜 이미지로 시작한다 descriminator의 판별 결과에 따라 지속적으로 업데이트 점차 원하는 이미지를 만들어간다 Discriminator regular binary classifier와 비슷한 모양이다 Generator에서 넘어온 이미지가..

• 기계학습개론

  21. RNN Part II(Code) & Autoencoder

  2022.12.14

  📌 자연어 처리 토큰화(Tokenization) : 텍스트를 단어 기준으로 잘게 자르는 것 from tensorflow.keras.preprocessing.text import Tokenizer token = Tokenizer() token.fit_on_texts(단어 배열) 단어의 one-hot encoding (1이 몇 번째 위치인지만 찾으면 되기에 속도가 빠르다) 하지만 단어의 종류가 많아진다면 one-hot encoding에서 벡터의 길이가 너무 길어진다는 단점이 있다 공간적 낭비를 해결하기 위해 단어 임베딩(word embedding)을 사용한다 📌 문장의 의미 파악하기 딥러닝은 단어를 그대로 사용하지 않고, 숫자로 변환한 다음 학습할 수 있다. 모든 단어를 다 사용하는 것은 비효율적이므로 빈도..

• 기계학습개론

  20. RNN

  2022.12.14

  📌 Time series data dynamic data 가변 길이 sequential data 📌 Recurrent Neurons MLP, CNN : Feedforward NN RNN : backward connection RNN은 input을 받으면 output을 만들어내고, 그 output을 다시 넣는다 📌 Recurrent Neurons 시간 $t$일 때, recurrent neuron은 2개의 input을 받는다 $x(t)$ $y(t-1)$ : 이전 시간의 output $y(t)=\theta(W_x^t x(t)+W_y^T y(t-1) +b) $. theta는 activation function 노드는 1개이지만, 이해하기 위해서 펼쳐놓은 것 input, output의 개수는 여러 개가 될 수 있..