ML & DL

넘파이-Numpy-Numerical python 머신러닝의 대부분 알고리즘-선형대수, 통계 기반. >넘파이는 배열 기반의 빠른 연산 및 다양한 데이터 핸들링 기능을 제공. 넘파이 ndarray 개요 (p.14) 넘파의의 기반 데이터 타입은 ndarray. 이 ndarray를 이용하여 다차원 배열을 쉽게 생성하고, 다양한 연산을 수행. 이러한 ndarray는 넘파이의 array()함수를 이용하여 생성함. 생성된 ndarray배열의 shape변수는 ndarray의 크기(행과 열의수)를 튜플 형태로 가지고있으며 이를 통해 ndarray배열의 차원을 확인할 수 있다. ndarray.shape는 ndarray의 차원과 크기를 튜플형태로 나타내준다. → 쉽게 생각하면, 리스트 한개로 구성되어 있으면 1차원, 리스트..

semantic segmentation을 해결하기 위해 다양한 방법론이 나왔는데, deeplab시리지는 여러 모델중 상위권에 속한다. DeepLab V1 : Atrous convolution을 처음 적용 DeepLab V2 : multi-scale context를 적용하기 위한 Atrous Spatial Pyramid Pooling (ASPP) 기법을 제안 DeepLab V3 : 기존 ResNet 구조에 Atrous Convolution을 활용해 좀 더 Dense한 feature map을 얻는 방법을 제안 DeepLab V3+ : Depthwise Separable Convolution과 Atrous Convolution을 결합한 Atrous Separable Convolution의 활용을 제안 그 중 ..

1. U-Net U-net은 본래 의학 이미지 segmentation을 목적으로 나온 모델이다. 의학 이미지 특성상 이미지가 매우 적었고 이러한 매우 적은 수의 학습 데이터로도 정확한 이미지 세그멘테이션 성능을 보여줬다. U-net은 Fully Convolution Network(FCN)을 기반으로 구축하였으며 인코더-디코더 기반의 모델로, 인코딩 단계에서 입력 이미지의 특징을 포착할 수 있도록 채널의 수를 늘리면서 차원을 축소해 나가고, 디코딩 단계에서 저 차원으로 인코딩 된 정보를 이용하여 채널의 수를 줄이고 차원을 늘려서 고차원의 이미지를 복원한다. 1-1. Skip connection 일반적인 segmentation 모델의 인코더는 차원 축소를 거치면서 객체에 대한 위치 정보를 잃고, 디코딩 단계..

0. Image segmentation Image segmentation은 object의 boundary를 참조하여, 해당 객체가 있는 위치를 정확히 가리키는 역할을 한다. 대부분의 image segmentation 모델은 encoder, decoder구조로 구성되어 있다. Encoder: input의 latent space representation을 인코딩 Decoder: encoder로부터 encoding된 정보로부터 decoding하고 segment map을 형성 Image segmentation은 크게 3가지로 나뉜다. 1. Semantic segmentation Image의 pixel을 semantic(의미론적)으로 분류하는 것. == 실제로 인식할 수 있는 물리적 의미 단위로 인식하는 세그멘..

모델의 아키텍쳐를 구성할 때 얼마나 많은 layer(depth), 얼마나 많은 픽셀 resolution. 얼마나 많은 filter을 사용할지를 찾아주는 Compound scaling을 방식을 사용 → 모델의 크기와 연산량를 결정하는 요소들(input resolution, depth, width)을 동시에 고려하여 증가시키는 방법. EfficientNet이 제안했고 이 EficientNet을 backbone으로 사용한 모델이 EfficientDet이다. EfficientNet의 compound scaling에 대하여 간단하게 설명하면, Width와 resolution은 연산량에 거듭제곱형태로 연산량이 늘고, depth는 linear 하게 늘어나기 때문에, 같은 연산량에서 scaling을 해보기 위해, 아래..

0. YOLO SSD 이전에 나온 1-stage detector로 unified, simple, real-time object detection이라고 부르기도 한다. YOLO의 특징은 이미지 전체를 한 번만 보고, 통합된 네트워크를 사용하여 간편하고 빠르며 거의 실시간 객체 검출이 가능하다. 1. Grid Image YOLO는 우선 이미지를 SxS 크기의 grid로 나눈다. 다음으로 객체의 중심이 특정 grid cell에 위치한다면, 해당 grid cell은 그 객체를 detect 하도록 할당된다. 이 선택된 셀은 Bounding Box와 Confidence, Class probability map을 예측하는데 사용된다. 2. Backbone 앞서 하나의 이미지를 SxS의 그리드로 나눈뒤 해당 이미지는 ..