또르르's 개발 Story

1️⃣ Conditional Generative Model 일반적인 generative model은 영상, sample을 생성할 수 있지만 조작은 불가능했습니다. Conditional generative model은 조건(condition)이 주어졌을 때 영상, sample을 생성하는 모델입니다. 따라서 user의 조작이 더 쉬어졌습니다. Conditional GAN이 기존 GAN과 다른점은 C라는 Conditional input을 넣어주는 부분이 다릅니다. Conditional GAN의 예시는 Super resolution 기법이 있습니다. input : Low resolution image (저해상도 image) output : high resoulution image (고해상도 image) 구조는 ..

1️⃣ Instance segmentation Instance segmentation은 물체의 class뿐 아니라 물체 각각의 Instance를 비교해낼 수 있습니다. 1) Mask R-CNN Mask R-CNN은 R-CNN과 비슷한 구조를 가지고 있습니다. Mask R-CNN에서는 RoIAlign이라는 pooling layer을 제안했습니다. RoIAlign에서는 Interpolation (보간법)을 통해서 정교화된 subpixel (소수점 pixel level)의 pooling을 지원합니다. 이로써 정교화된 feature을 뽑을 수 있게되고, 성능 향상으로 이어졌습니다. 기존 Faster R-CNN에서는 pooling된 feature 위에 올라가 있던 header가 두 개 (classification..

CNN visualization은 Convolution neural network를 시각화하는 방법입니다. Visualization은 CNN에서 Debugging tool 역할을 합니다. 일반 debugging으로는 CNN의 구조나 weight들이 복잡하게 되어있어서 무슨 의미인지 잘 모르기 때문입니다. 1️⃣ Visualizing CNN 1) ZFNet Deconvolution을 이용해서 Visualization을 시도한 2014년 논문입니다. Low 계층에는 방향성이 있는, 선을 찾는 filter들, block을 찾는기본적인 영상처리 filter 모양을 가지고 있습니다. High 계층에는 의미가 있는 표현을 학습한다는 것을 알 수 있습니다. 2) filter visualization AlexNet의 ..

1️⃣ Semantic segmentation과 Instance segmentation 다른 점 Semantic segmentation은 각각의 Instacne를 비교하지 못하지만 (ex. 사람, 자동차이 같은 색깔로 mapping) Instance segmentation과 panoptic segmentation은 각각의 Instance를 비교할 수 있습니다.(ex. 사람1, 사람2, 자동차1, 자동차2, .... 등 모두 다른 색깔로 mapping) 2️⃣ Object detection "Classification + Box localization" 을 합친 기술 3️⃣ Two-stage detector 1) Gradient-based detector (e.g., HOG) 약 10년 전에는 경계선을 찾..

1️⃣ Semantic segmentation에서 주의해야 할 점 Semantic segmentation은 같은 Class (ex. 사람)이지만 서로 다른 물체(ex. 사람1, 사람2, ...)를 구분하지는 않습니다. 같은 Class에서 서로 다른 물체를 구분하는 segmentation은 Instance segmentation입니다. 2️⃣ Fully Convolutional Networks (FCN) Fully connected layer는 1 x 1 convolutions으로 해석과 구현이 가능합니다. 따라서 FC(Fully Connected) layer를 FCN (Fully Convolutional Networks)으로 대체할 수 있습니다. FCN은 어떤 입력사이즈에도 대응이 가능합니다. 하지만 F..

[31] Image Classification에 이어서 작성합니다. [31] Image Classification (1) 1️⃣ K Nearest Neighbors 세상에 있는 모든 데이터를 다 저장하고 있다면 Image Classification을 어떻게 수행하면 될까요? 바로 간단한 K Nearest Neighbors (K-NN) 방법을 사용하면 됩니다. K Nearest Neighbo.. dororo21.tistory.com 1️⃣ Going deeper 네트워크 깊이가 깊어질수록 다음과 같은 장점이 있습니다. Lager receptive fields (즉, 더 많은 픽셀들을 참조하기 때문에) More capacity and non-linearity 하지만 네트워크를 깊이 쌓을수록 아래와 같은 문제..

"Annotation data efficient learning" 즉, 적은 수의 데이터로 효율적으로 학습하는 방법에는 여러 가지 방법이 있습니다. Data augmentation, Knowledge distillation, Transfer learning, Self-Training에 대해서 알아봅시다. 1️⃣ Data augmentation Data augmentation은 현재 가지고 있는 데이터를 가지고 Brightness, Rotate, Crop을 통해 데이터를 풍부하게 만들어주는 기법입니다. 1) Brigthness 밝기는 img에 일정값을 더해주면 됩니다. (다만, 0~255 사이) 2) 기하학적 변환 기하학적 변환은 OpenCV를 통해 쉽게 변환할 수 있습니다. 3) Crop Crop은 Wi..

1️⃣ K Nearest Neighbors 세상에 있는 모든 데이터를 다 저장하고 있다면 Image Classification을 어떻게 수행하면 될까요? 바로 간단한 K Nearest Neighbors (K-NN) 방법을 사용하면 됩니다. K Nearest Neighbors 방법에서는 query data(회색)을 찾으려고 할 때, query data 근처에 포진하고 있는 k개의 이웃 데이터를 데이터베이스에서 찾고, 이웃 데이터들이 가지고 있던 label 정보를 기반(label의 개수)으로 해서 query data의 label을 정해주는 방법입니다. 하지만 모든 데이터들을 담기에는 시간 복잡도, 공간 복잡도가 너무 커집니다. Time Complexity (e.g., linear search) => O(n)..

보호되어 있는 글입니다.

CCL은 Creative Commons라는 비영리 단체에서 제공하는 저작권과 저작물을 보호하는 규약(License)입니다. 따라서 사용자는 저작권자에게 이용 허가 요청을 하지 않아도 CCL의 이용 규칙만 만족하면 저작물의 사용이 가능합니다. CCL에는 총 4가지의 권리가 있습니다. 이 4가지의 권리를 섞어서 사용한 것이 바로 다음 표입니다. 자세한 것은 아래 wikipedia를 참조하세요! 크리에이티브 커먼즈 라이선스 - 위키백과, 우리 모두의 백과사전 위키백과, 우리 모두의 백과사전. 크리에이티브 커먼즈 로고 이 동영상은 크리에이티브 커먼즈 라이선스가 상용 라이선스와 결합해서 사용할 수 있음을 설명하고 있다. 크리에이티브 커먼즈 라 ko.wikipedia.org