AI/컴퓨터비전 기초

각 CNN 구조마다 살펴볼 특성새로운 특징 : 각 구조가 다른 구조와 구별되는 새로운 특징과 해결하려던 문제가 무엇이었는지 알아본다.신경망 구조 : 신경망의 구조와 주요 구성 요소를 소개하고, 구성 요소가 어떻게 조합되었는지 알아본다.신경망 구현 : 구현 코드를 한 줄씩 설명하이퍼파라미터 설정 : 최적화 알고리즘의 하이퍼파라미터(최적화 알고리즘 종류, 학습률, 가중치 감쇠 등)를 설정신경망의 성능 : MNIST나 ImageNet 등의 벤치마크 데이터셋을 대상으로 각 신경망 구조의 성능 확인 * TIP연구 논문을 읽고 핵심을 파악하여 코드로 구현하는 것은, 모든 딥러닝 전문가가 갖춰야 할 능력연구 논문을 구현해보는 과정은 논문 저자가 거쳐 온 사고 과정을 이해하고 이를 유용한 문제를 푸는 데 활용할 수 있..

4.1 성능 지표란4.1.1 정확도가 가장 좋은 지표인가 4.1.2 혼동 행렬혼동 행렬모델의 분류 결과를 정리한 표ex) 환자에게 어떤 질환이 있는지 여부를 판단하는 분류기TPTNFP : 1종 오류FN : 2종 오류 4.1.3 정밀도와 재현율재현율(recall)민감도(sensitivity)라고도 함질환이 있는 사람을 얼마나 잘못 진단했는지질환이 있는 사람을 음성으로 진단한 FN이 얼마나 되는지 나타내는 지표 정밀도(precision)특이성(specificity)라고도 함, 재현율의 반대 개념모델이 질환이 없는 사람을 얼마나 잘못 진단했는지질환이 없는 사람을 양성으로 진단한 FP가 얼마나 되는지 나타내는 지표 상황에 맞는 지표 선택하기FP와 FN 중 어떤 오류가 더 치명적인지 생각해보고 적절한 지표 선택e..

7.3 싱글샷 탐지기싱글샷 탐지기(single-shot detector, SSD)는 2016년 웨이 리우의 논문에서 처음 제안당시 속도와 성능 모두 최고 기록 경신 다단계 탐지기R-CNN 및 변종을 다단계 탐지기라고 부름다단계 탐지기는 먼저 경계 박스 내 영역의 물체 존재 확신도를 예측경계 박스를 분류기로 넘겨 물체의 클래스를 예측 단일 단계 탐지기SSD나 YOLO 등단일 단계 탐지기는 합성곱층에서 위치와 클래스를 한번에 예측이름도 그에 걸맞게 싱글샷(한방) 물체 존재 확신도정답과 경계 박스의 중첩률을 계산해서 예측경계 박스가 정답과 완전히 일치하면 물체 존재 확신도 1두 경계 박스가 전혀 겹치지 않으면 0물체 존재 확신도의 임곗값은 0.5로 설정- 물체 존재 확신도가 50% 이상이면 해당 영역에는 물체..

7.1 사물 탐지 알고리즘의 일반적인 프레임워크사물 탐지 프레임워크 4개 요소영역 제안(region proposal)- 이미지에서 시스템이 처리할 영역인 RoI(regions of interest)를 제안하는 딥러닝 모델 또는 알고리즘* RoI: 이미지 내 물체가 존재할 것이라 예상되는 영역- 이 컴포넌트는 각각 물체 존재 확신도(objectness score)가 매겨진 많은 수의 박스 정보 출력- 이 중 높은 물체 존재 확신도가 매겨진 박스는 추가 처리를 위해 전달특징 추출 및 예측- 각 박스 영역의 시각적 특징 추출- 이러한 특징을 평가하여 물체 존재 여부와 물체의 클래스 판단(ex: 사물 분류 컴포넌트)비최대 억제(non-maximum suppression, NMS)- 이 단계쯤이면 모델이 같은 물..