AI/딥러닝25 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. 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. [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. [기술] 데이터 라벨링 툴 for Machine Learning [이미지만] 데이터 라벨링이란? 데이터 라벨링 작업은 머신러닝이나 딥러닝 모델링 작업 전에 학습 데이터에 특정 값을 부여 해주는 것이다. 이는, AI 산업의 기본이기도 하지만, 기업의 AI 사업의 획기적 발전을 이루기 위한 핵심 요소로 인식된다. 하지만, 사람이 일일이 하다 보니 비용이 많이 들고 시간이 오래 걸리는 작업이다. - 첫째, 머신러닝을 위해서는 많은 양의 데이터가 필요한데, 이미지를 분류할 때 최소 수천, 수만 장의 이미지가 요구된다. - 둘째, 시간을 포함한 많은 비용이 든다. - 라벨링 작업자가 많아질수록 일관되고 정확한 라벨링 작업이 어려워진다. 얼마나 어렵고 오래 걸리는 작업인지 보여주는 실제 사례: 영국 경제지 파이낸셜타임스(FT)는 "자율주행차 알고리즘이 도로 표지판 등을 학습하려면 수천 시간.. 2021. 4. 15. GAN의 종류와 발전 - Style GAN을 공부할 때, 논문에서는 나오지 않고, 따로 설명에도 나오지 않는 부분이 많길레 찾아봤더니 아직 공부 안한 부분이 있더군요. 그래서 GAN의 종류와, 어떤 부분에서 발전한 것인지를 간략하게 나열합니다. 0. GAN 이안 굿펠로우가 만든 GAN은, 구조적으로는 크게 Generator와 Discriminator의 역할을 하는 두 아키텍쳐가 상호작용을 하는 Generative 모델이며, Generator는 데이터를 생성해서 Discriminator를 속이는 역할을 하고, Discriminator는 Generator가 생성한 이미지의 거짓을 밝혀내는 역할을 하도록 합니다. 즉 Loss값은, 최종단인 Discriminator가 이것이 거짓데이터인지 진짜 데이터인지를 판단하는 참 거짓의 확률 .. 2021. 4. 13. 이전 1 2 3 다음 728x90 반응형
