본문 바로가기
728x90
반응형

AI46

Deep Learning(ANN, DNN, CNN, RNN, SLP, MLP) 비교 ■ Machine Learning vs. Deep Learning www.analyticsvidhya.com ■ ANN(Artificial Neural Network) - 인공신경망 모든 비선형 함수를 학습 모든 입력을 출력에 매핑하는 가중치를 학습할 수 있는 능력 활성화 함수는 네트워크에 비선형 속성 도입으로 입력과 출력 사이 복잡한 학습을 하는데 도움 학습과정에서 파라미터 최적값 찾기 어려움 Overfitting에 따른 문제 ■ SLP(Single Layer Perceptron) - 단층 퍼셉트론 퍼셉트론 : 학습 능력을 갖는 패턴분류장치 단일 퍼셉트론으로 구성 ■ MLP(Multi Layer Perceptron) - 다층 퍼셉트론 여러층의 퍼셉트론으로 적어도 1개 이상의 은닉층(hidden laye.. 2021. 6. 30.
이미지 분류(image classification)와 물체 검출(object detection)의 차이는? 새로운 분야의 언어는 항상 낯설다. 처음 영상 처리 분야의 논문을 읽기 시작했을 때 많은 단어들은 나에게 외계어와 같았다. 영어라서 장벽이 있었던 것도 사실이지만, 그보다 더 큰 문제는 사전을 찾아서 뜻은 알아도 도대체 이 단어가 무엇을 의미하는 것인지 제대로 알기 힘든 경우가 많았다. 나같은 공대생에게 "current"라는 단어를 제시하면 "전류"가 먼저 생각날 것이다. 하지만 문과생에게는 "현재의, 지금의"라는 뜻으로 보일 가능성이 높다. 그러니까 어느 정도 그 분야에 대한 선지식이 없으면 영어를 잘해도 해석을 쉽사리 해내지 못한다. 컴퓨터 비전 및 딥러닝 분야를 처음 접하는 사람들에게도 이런 경험이 많이 있을 것이다. 이미지 분류(image classification), 이미지 인식(image re.. 2021. 6. 28.
물체 감지 : 속도 및 정확도 비교 (더 빠른 R-CNN, R-FCN, SSD, FPN, RetinaNet 및 YOLOv3) 서로 다른 물체 감지기를 공정하게 비교하는 것은 매우 어렵습니다. 어떤 모델이 가장 좋은지에 대한 정답은 없습니다. 실제 애플리케이션의 경우 정확성과 속도의 균형을 맞추기 위해 선택합니다. 검출기 유형 외에도 성능에 영향을 미치는 다른 선택 사항을 알아야합니다. 기능 추출기 (VGG16, ResNet, Inception, MobileNet). 추출기에 대한 출력 보폭. 입력 이미지 해상도. 매칭 전략 및 IoU 임계 값 (예측이 손실 계산에서 제외되는 방식). 비 최대 억제 IoU 임계 값입니다. 하드 예제 마이닝 비율 (양수 대 음수 앵커 비율). 제안 또는 예측 수입니다. 경계 상자 인코딩. 데이터 증대. 훈련 데이터 세트. 훈련 또는 테스트에서 다중 스케일 이미지 사용 (자르기 포함). 객체 감지를.. 2021. 6. 28.
[Object Detection] Faster R-CNN, YOLO, SSD, CornerNet, CenterNet 논문 소개 object detection에 대한 개념 정리 및 해당하는 딥러닝 논문들을 소개한 글입니다. 최근 object detection에 관련해 계속 공부하고 있었는데, 한번 방법 별로 논문들을 정리해보면 좋을 것 같아서 글을 작성하게 되었습니다 :) Object Detection 이란? object detection은 classification + localization 으로 여러가지 object에 대한 classification과 그 object들의 위치정보를 파악하는 것을 동시에 하는 분야입니다. 의료장비, 자율주행자동차, 대형마트 등 활용되는 영역이 매우 넓고, 연구도 매우 활발히 되는 분야입니다. 위 그림만 봐도 굉장히 다양한 논문들이 나오고 있는 것을 볼 수 있습니다. 일반적으로 object det.. 2021. 6. 28.
CNN: Single-label to Multi-label Convolutional Neural Network (CNN)은 단일 라벨 이미지 분류 작업에서 유망한 성능을 입증했습니다. 그러나 CNN이 다중 레이블 이미지에 가장 잘 대처하는 방법은 주로 복잡한 기본 개체 레이아웃과 불충분 한 다중 레이블 훈련 이미지로 인해 여전히 열린 문제로 남아 있습니다. 이 작업에서 우리는 가설 -CNN- 풀링 (HCP)이라는 유연한 딥 CNN 인프라를 제안합니다. 여기서 임의의 수의 객체 세그먼트 가설을 입력으로 취한 다음 공유 CNN이 각 가설과 연결되고 마지막으로 CNN이 연결됩니다. 다양한 가설의 출력 결과는 최대 풀링으로 집계되어 궁극적 인 다중 레이블 예측을 생성합니다. 이 유연한 딥 CNN 인프라의 몇 가지 고유 한 특징은 다음과 같습니다. 1) 학습에 지상 진실.. 2021. 6. 4.
[머신 러닝 :: 분류 문제] Multi-class VS. Multi-label 분류 문제 차이점은? Multi-class 와 Multi-label 분류 문제의 차이점 1. Multi-class 분류 문제 먼저 Multi-class 분류 문제는 하나의 그림에 하나의 객체만 있어야 하고, 그리고 그 객체는 2개 이상의 카테고리에 속하는 경우이다. 즉, 아래와 같이 그림이 있을 때, 그림 속에 대상이 되는 객체는 하나만 있어야 하고, 각각은 고양이, 개, 토끼, 앵무새 등 2개 이상의 카테고리로 분류가 되는 경우이다. 2. Multi-label 분류 문제 다음으로 Multi-label 분류 문제에서는 앞의 경우에서 다른 부분은 하나의 그림 내에 하나의 객체가 아니라, 여러 객체가 있다. 따라서, 하나의 그림이 하나의 카테고리(2개 이상)에 속하지 않고, 두 개 이상의 카테고리에 속하게 된다. 예를 들어, 위.. 2021. 6. 4.
[Object Detection] Darknet 학습 준비하기 환경 Ubuntu 16.04 GeForce RTX 2080 1. 학습 준비하기 1.1 COCO 데이터 세트를 이용한 학습 COCO 데이터는 2014 , 2017 로 나뉘어져 있는데, 홈페이지에서 다운 받을 수도 있지만, 크기가 너무 커서 유틸리티 curl 를 이용하여 다운받아야 한다. COCO 데이터 세트 https://cocodataset.org/#download COCO 데이터 세트 종류는 다음과 같다. 이미지 2014 Train images [83K/13GB] 2014 Val images [41K/6GB] 2014 Test images [41K/6GB] 2015 Test images [81K/12GB] 2017 Train images [118K/18GB] 2017 Val images [5K/1GB].. 2021. 6. 4.
DataSet, DataTable이란? Dataset(데이터셋) 인공지능을 개발하기 위해서 필수적으로 갖춰져야 할 것은 많은 데이터입니다. 데이터가 많을수록 학습의 정확도가 높아지고 예측을 더 정확하게 할 수 있습니다. 또한 좋은 인공지능을 만들려면 인공지능에게 학습시키는 데이터의 질이 매우 중요합니다. 특정한 작업을 위해서 데이터를 관련성 있게 모아놓은 것을 데이터셋 이라고 하며 여러 형식으로 된 자료를 포함할 수 있습니다. 데이터 파일, 또는 데이터베이스라고도 부르며 컴퓨터가 처리, 분석할 수 있는 정보의 세트를 말합니다. 기계 학습에 필요한 데이터를 수집하기 위해서는 엄청난 시간과 노력이 필요합니다. 하지만 모바일이나 웹상에서 공유되고 기록되는 정보와 데이터를 가지고 분석에 사용할 수 있습니다. 또한 데이터셋을 기관과 기업에서 공개함으로.. 2021. 6. 4.
GAN 동작 원리 (참고 링크) 안녕하세요 꼬바리입니다. sensibilityit.tistory.com/505?category=731657[GAN] Generative Adversarial Network 정리GAN 중에서 가장 기본적인 "Generative Adversarial Network"에 대해 논문을 읽고 참고자료를 본 후 정리한 공부자료 입니다. + 정리하다가 Autoencoder와 VAE 개념을 먼저 알아야 GAN을 이해하기 쉽다는 생각이.sensibilityit.tistory.com 2021. 4. 21.
728x90
반응형