2강
목차
-
이미지 분류
-
한계점
-
CNN 이전의 이미지 분류 방법
-
Data driven approach
-
Distance metric to compare images
-
Setting Hyperparameter
-
KNN 알고리즘을 이미지에서 사용하지 않는 이유
-
Linear Classification
이미지 분류
Image -> Classify -> Result (물체의 종류)
한계점
- 카메라 각도의 변환: 각도의 변환이 이루어지면 이미지의 픽셀값이 전체적으로 달라짐
- 조명 문제: 빛으로 인해 물체의 형상이 제대로 보이지 않을 경우 (illusion)
- 물체의 변형: 물제의 pose가 일정하지 않을 경우 (deformation)
- 폐색: 물체가 다른사물에 가려져 제대로 보이지 않을 경우
- 배경과 물체가 제대로 구분이 안되는 경우 (background clutter)
- 같은 종류 클래스의 다양성 (intraclass variation)
CNN 이전의 이미지 분류 방법
Image -> Find Edge -> Find Corner -> Result
Data driven approach
- 데이터 수집
- 수집한 데이터를 위한 분류기 개발
- 테스트 셋에서의 검증
Distance metric to compare images
L1 (Manhattan) Distance
∣∣∣∣∣∣p∑(I1P−I2P)∣∣∣∣∣∣
- 좌표계에 따라 거리 값이 달라질 수 있음
- 각각의 벡터가 특징을 가지고 있을때 사용
L2 (Euclidean) Distance
∣∣∣∣∣∣∣p∑(I1P−I2P)2∣∣∣∣∣∣∣
- 특정 벡터가 일반적이고 요소들간의 실질적인 의미를 잘 모를때 사용
Setting Hyperparamter
- Idea 1: 트레인 데이터에서 성능이 좋은 값 (x)
- Idea 2: 학습과 테스트 셋으로 데이터를 나누어 테스트에서 잘 동작하는 값 (x)
- Idea 3: train, test, validation 으로 나누어 학습 진행 (o)
- Idea 4: cross validation (전체 학습데이터중 train 셋과 validation 셋을 바꿔가며 검증) 데이터셋이 적을때 사용
KNN 알고리즘을 이미지에서 사용하지 않는 이유
- 매우느림 (인퍼런스)
- 픽셀 값 데이터는 이미지 정보를 충분하게 나타내지 못함
Linear Classification
선을 이용해 집단을 두개 이상으로 구분함
Image -> f(x,W) -> Label
f(x,W)=Wx+b
한계점
홀짝과 같은 반정성 문제는 Linear Classification 으로 풀기 힘든 문제임
2강 질문
-
Linear Classification 으로 풀기 힘든 문제의 종류를 적으시오
-
L1 Distance와 L2 Distance를 수식으로 나타내시오
-
L1 Distance 와 L2 Distance 의 차이점을 말하고 언제 L1 Distance 를 사용하면 좋은지 서술하시오
-
이미지 분류의 한계점을 3가지 이상 서술하시오.
-
KNN 알고리즘을 이미지에서 사용하지 않는 이유를 두가지 이상 서술하시오