분류 전체보기

1. Backbone 컴퓨터 비전에서 Backbone이란 이미지에서 중요한 Feature을 잘 추출할 수 있도록 훈련된 모델로서, 주어진 비전 태스크를 잘 수행할 수 있는 압축된 Visual Feature을 산출하는 목적을 가진 모델이다. 여기서 말하는 Visual Feature이란 단어 그대로 어떠한 이미지의 특정 정보를 나타내는 단어이다. 이러한 Backbone 모델은 여러 layer로 구성되어 있는데, 다양한 visual을 feature을 추출하기 위해 각기 다른 level의 레이어 구조를 이용하기도 한다. 2. Decoder 앞서 말했듯이 backbone 모델은 이러한 visual feature을 추출하는 것이 목적이기 때문에 이것만으로는 우리가 원하는 task를 수행할 수 없다. 이때 `Deco..

0. Contour Detection contour은 윤곽이라는 뜻을 나타내며, Contour Detection은 이미지에서 객체의 contour을 추출하는 작업을 의미한다. 이러한 고전 컴퓨터비전의 Contour Detection은 일반적으로 딥러닝 모델 학습을 위한 데이터 가공시에 활용하는 편이다. 딥러닝을 이용하여 task를 수행하기 위해서는 다량의 데이터가 필요한데 이러한 데이터를 딥러닝을 이용하여 생성하다보면 딥러닝의 취약점을 가진 이미지들이 생성되기 떄문에 관계없는 방법으로 생성한 데이터를 이용하여 학습한다. Contour Detection은 아래의 과정을 거쳐서 진행되는데 각각의 과정에 대하여 알아보도록 하자. `Edge Detection` -> `Dilation`->`Contour Dete..

0. Morphological Transform Morphological Transform이란 고전적인 컴퓨터 비전 기술로, 이미지에 기반한 연산으로 일반적으로 흑백이미지에 수행한다. 입력으로 원본이미지와 커널(특정연산을 수행)을 넣는다. 커널의 종류로는 Erosion,Dilation,Opening,Closing,Morphological gradient, Top hat 등이 있다. 이 Morphological Transform은 단순하고 쉽게 사용할 수 있으며, 이미지 전처리 영역에서 유용하게 사용된다. 우선 이미지를 불러오고 OpenCV 라이브러리를 이용하여 간단한 코드도 알아보도록 하자. import cv2 as cv import numpy as np img = cv.imread('j.png', cv..

1. Feature Engineering 파생변수란 기존 변수의 정보를 토대로 정제 및 생성을 하여 만들어진 변수를 의미한다. 이전에 범주형, 수치형 변수를 처리할 때 사용했던 함수변환, 스케일링, 구간화 등도 이러한 파생변수를 생성하는 것의 일종이다. 또 다른 방법으로는 도메인 지식을 활용하여 기존의 변수들을 조합하여 새로운 변수들을 생성하는 방법도 있다. 파생변수 생성은 변수 간의 연관관계를 파악하기 쉽게 만듦으로써 모델의 성능향상을 기대할 수 있으며, 정보의 손실을 줄이면서 메모리를 최적화시킬 수 도 있고, 도메인을 활용함으로써 해석적인 관점을 제공할 수 있다. 함수 변환과 스케일링, 구간화에 대해서는 이미 다뤄봤기 때문에 나머지 파생변수를 만드는 방법에 대해서 알아보겠다. 1-1. 분할(Split..

이번시간에는 데이터 전처리 과정에 포함되어 있는 연속형 변수와 범주형 변수를 처리하는 과정에 대하여 알아볼 것이다. 우선 데이터, 변수는 위와 같이 크게는 수치형과 범주형으로 나뉘고 각각 연속형과 이산형 그리고 순위형과 명목형으로 분류된다. 모델에 input 데이터를 넣기전에 연속형이나 범주형 변수의 처리를 진행해줘야 제대로 모델이 돌아가며 성능이 좋아질 수 있다. 각각의 변수는 다음과 같은 처리를 진행할 것이다. 1. 연속형 변수 1-1. 함수변환 1-1-1. Log Transform 로그변환이란 비대칭된 임의의 분포를 정규분포에 가깝게 전환시키는 역할을 한다. 데이터를 정규화시키는 것은 모델의 성능을 향상시키는데 도움을 주며, 로그화를 통해서 데이터의 스케일을 작게 만들어 데이터 간의 편차를 줄이는데..

1. 결측치 결측치란 데이터에서 누락된 값을 말한다. 이는 데이터의 손실과 더불어서 분포를 왜곡시켜서 편향을 만든다. 보통 `N/A`, `NaN`, `NULL`,` `,`?` 등으로 기입되어 있다. 이러한 결측치가 발생한 타입, 패턴, 처리하는 방법에 대하여 알아볼 것이다. 1-1. 결측치 매커니즘 1-1-1. 완전 무작위 결측 MCAR:Missing Completely At Random 완전 무작위 결측이라고 부르며 결측치가 다른 변수와 상관없이 무작위로 발생한 경우를 의미한다. 보통 센서 고장 전산 오류 등과 같은 관측과 입력과정에서의 누락으로 인한 결측이다. 1-1-2. 무작위 결측 MAR:Missing At Random은 무작위 결측으로, 관측치가 해당 변수와는 무관하나 다른 변수와 연관이 있는 ..