티스토리

끄적이다 나의 생각을, 그리고 한다 성장을
검색하기

블로그 홈

끄적이다 나의 생각을, 그리고 한다 성장을

tjwjdrok.tistory.com/m

한 사람의 살아가는 이야기...

구독자
6
방명록 방문하기
공지 무더운 여름, 말복 잊지 말고 챙기시⋯ 모두보기

주요 글 목록

  • 21. Image Classification 1 📌 Image Classification classification : image에 label을 달아주는 것 localization : image 내의 객체를 모두 인식하는 것 instance segmentation : 각각의 단일 객체까지 segmentation하여 인식하는 것 📌 AlexNet 2개의 CPU를 사용한다 5개의 convolution layer, ReLU, max pooling 사용 분류를 위해 fully-connected layer가 있고, softmax를 사용한다 gpu 1에서는 주로 컬러와 상관없는 정보를 추출하기 위한 kernel 학습, gpu 2에서는 컬러와 관련된 정보를 추출하기 위한 kernel 학습 LeNet과 차이점 Tanh 대신 ReLU를 사용했다 ReLU는 linear.. 공감수 0 댓글수 0 2022. 12. 14.
  • 20. Convolutional Neural Network #2 📌 LeNet-5 Conv(c=20, k=5, p=2, s=1) kernel size가 5x5이고 padding size 2, stride 1이다 output channel 수가 20이므로, 20개의 feature map이 생긴다 output size = $\frac{28+2\times 2-5}{1}+1 = 28 $ weight size : output channel x input channel x kernel size x kernel size parameter 개수 : (weight x input size + bias) x activation map ReLU output size는 이전 layer의 output을 input으로 받기에 사이즈는 유지된다 MaxPool(k=2, s=2) 크기가 절반이 된다.. 공감수 0 댓글수 0 2022. 12. 13.
  • 19. Convolutional Neural Network 📌 Convolutional Neural Network image로부터 meaningful feature를 추출하기 위해 kernel(filter)를 학습한다 중요 특성 Local connectivity(MLP의 fully connected의 특성과 차이) overfitting 확률을 줄이고, 훨씬 적은 parameter로 학습이 가능하다 Parameter sharing parameter를 공유하여 더 적은 개수로 feature map을 생성한다 Pooling and subsampling input의 spatial dimension을 축소하여 feature map을 만든다 local translation에 대해 invariance하고, hidden unit의 개수를 줄일 수 있다 📌 Components .. 공감수 0 댓글수 0 2022. 12. 13.
  • 18. Learning Techniques for Neural Networks 📌 Model Set up Number of Hidden Nodes hidden node가 많아질수록 더 높은 표현 능력을 가진다 계산 능력과 일반화 능력을 고려하여 hidden node를 최적화해야 한다 Initialization condition 가중치 초기화 : small random value 학습률(learning rate) : 1보다 작은 값 설정. 학습하면서 조절 Activation function hidden node : sigmoid, hyper-tangent, ReLU output node : regression(real value출력) : linear, classification(binary 출력) : sigmoid, softmax 📌 Learning Mode online mode 각.. 공감수 0 댓글수 0 2022. 12. 13.
  • 16(3). Image Retrieval 📌 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.. 공감수 0 댓글수 0 2022. 12. 10.
  • 16(2). Object Detection(Image Retrieval) 📌 Bag-of-features models 특징들을 모아놓은 모델이다 컴퓨터는 인간의 언어를 알지 못한다. 그래서 컴퓨터는 어휘의 빈도에 대해 통계적 언어 모델을 만드는 것이다. 이 모델을 가지고 여러 문서를 대조하여 특정 문서를 찾아내는 것이다 Bags of Words를 사용하면 두 문서가 동일한지 비교 가능히다. 두 문서는 keyword만 보아도 다른 문서라는 것을 쉽게 알 수 있다 📌 Bag-of-words(BoF) 모델의 기원 origin 1 : bag-of-words model 순서없는 문서들을 사전에 나오는 단어의 빈도수로 표현하였다 origin 2 : Texture recognition texton : 사전 주의력이 있는 인간의 질감 인식의 추정 단위 기본 요소 또는 texton이 반복되는.. 공감수 0 댓글수 0 2022. 12. 10.
  • 16. Object Detection 📌 Dalal-Triggs (pedestrian detection) Dalal-Triggs 알고리즘은 보행자(Pedestrian)를 탐지하는데 주로 사용된다 fixes position에서 static templete을 통해 각 부분별 score를 합쳐 threshold를 넘으면 object로 판별한다 📌 Example : Dalal-Triggs pedestrian detector 보행자의 크기는 각각의 position, scale에 대해 (64x128 pixel)이라고 가정한다 HOG(histogram of gradient) 특징들을 각각의 window에 대해 계산한다 SVM classifier를 통해 window를 계산한다 non-maxima suppression을 통해 overlapping되어 있는 .. 공감수 0 댓글수 0 2022. 12. 10.
  • 15. Object Detection 📌 객체 검출 기본 idea 한 이미지에서 객체와 이 객체를 둘러싸는 가장 작은 직사각형으로 정의 되는 (bounding box)를 찾는 것이다 image classification은 객체마다 label을 붙이는 것이지만, object detection은 label + 이미지 상의 좌표도 출력해야 한다 Image classification : object들을 각각 labeling하는 것이 목적 Image localization : object들이 어디에 위치하는지 파악하는 것이 목적 object detection은 image classification + localization 이라고 생각하면 된다 📌 Object Detection Design Challenge 얼마나 효율적으로 object를 찾아낼 것.. 공감수 1 댓글수 0 2022. 12. 10.
  • 14. Classification & Image Pattern Recognition 2 📌 KNN Classifier K-Nearest Neighbor 분류기는 input data가 주어졌을 때 input data와 가까운 K개의 데이터를 이용하여 클래스를 예측하는 모델이다 K : 거리를 측정할 데이터의 개수 알고리즘 input data $x$가 주어졌을 때 training set $[x_1, x_2, ..., x_N]$에 있는 모든 원소들과 거리를 계산한다 K개의 sample들과 input data$x$ 사이의 거리를 계산하여 $N(x)=[x^1, x^2, ..., x^K]$를 만든다. $N(x)$에 들어있는 원소들의 label을 찾아 $y(x^1), y(x^2), ..., y(x^K)$를 만든다. 3에서 가장 빈도수가 많은 class(label)를 $x$의 class로 분류한다 over.. 공감수 0 댓글수 0 2022. 12. 9.
  • 13. Classification & Image Pattern Recognition 1 한 번만에 어떤 것을 보고, 이것의 정답을 맞출 수 있을까? 우리는 어릴 때 항상 틀리면서 정답을 찾았다. 틀리면서 무엇을 배웠고, 어떻게 하면 정답을 빨리 맞출 수 있는지 그것이 핵심이다. 틀리는 것을 두려워말고, 틀린 것을 기반으로 빨리 맞추려고 해야하지 않을까 📌 Classification 한 장의 이미지를 모델에 input으로 주면, 그 이미지가 어떤 label에 속하는지 알려주는 것 e. g.) 객체 검출, 생체 인식 model) Bayes Classifier, KNN, Neural Net, SVM, Decision Tree 📌 Pattern Recognition Machine Learning -> Pattern Recognition -> Classification K-means 알고리즘에서는 .. 공감수 0 댓글수 0 2022. 12. 9.
  • 12. Clustering and Image Segmentation 자신이 속한 집단이 어디인지 알고, 적합한 집단에 속해서 발전하는 것은 중요한 것이 아닐까 📌 clustering 유사한 성격을 가진 sample들을 묶어 그룹으로 형성하는 것 사전에 label이 주어지지 않는 unsupervised learning(비지도 학습)이다(classification은 data와 label을 같이주는 supervised learning이다) e.g.) data grouping, image segmentation method k-means, agglomerative Hierarchical Clustering, Mean Shift 📌 clustering : Task Definition training data set을 통해서 학습된 모델은 test data(new data)가 들어.. 공감수 1 댓글수 0 2022. 12. 9.
    문의안내
    • 티스토리
    • 로그인
    • 고객센터

    티스토리는 카카오에서 사랑을 담아 만듭니다.

    © Kakao Corp.