Vanila Neural Network - one to one 지금까지 배운 아키텍처의 모양이미지 또는 벡터를 input으로 받고, hidden layer를 거쳐 하나의 출력을 내보냄RNN(Recurrent Neural Network) RNN은 가변길이의 입/출력
Fancier OptimizationRegularizationTransfer Learning가중치 W에 대한 손실함수 L은 가중치가 얼마나 좋은지 나쁜지 평가한다.Loss functioin에서 현 weight의 기울기(gradient)를 구하고 loss를 줄이는 방향으
parameter의 개수 = ((5 5 3) + 1) \* 6 = 456개Fully connect 할 경우 약 1400만개의 파라미터가 필요vertical edge detector( 세로 윤곽선 검출 )하나의 필터만으로 6\*6크기의 이미지 전체에서 윤곽선을 찾아
YOLOv1 : You Only Look OnceFaster R-CNN : Towards Real-Time Object Detection with Region Proposal Networks
기존 NN모델은 모든 노드가 서로 연결되어 있다. 하지만 CNN의 특징은 모든 노드를 결합하지 않음으로써 연산량을 줄이고 효율성을 높이는 방식을 사용한다. → 기존의 ‘공간적 구조’를 보존시킨다.CNN 모델의 목적 : 입력된 이미지 분류최종 분류를 위해서는 ‘주어진
강의 링크 : 유튜브 CS231n강의 자료 : PDF 링크입력 이미지가 들어왔을 때, 이미 정해져 있는 Categories에서 이미지가 어떤 Category에 속할 지 고르는 문제Computer 입장에서 Image Classification이 어려운 이유는 무엇일까?사
SRCNN 구조 저해상도 이미지 LR을 bicubic interpolation해 원하는 크기로 이미지를 늘린다.늘려진 이미지 ILR을 입력으로 저해상도의 이미지에서 이미지의 특징을 가지는 patch 추출 (1) Patch extraction and representa
Super Resolution이란 저해상도 영상을 고해상도 영상으로 변환하는 작업 또는 그러한 과정을 의미하며 초해상화 라고도 한다.인터넷 속도가 느릴 때 저해상도의 YouTube 영상을 고해상도로 시청고전 드라마 혹은 영화를 고해상도로 리마스터해상도가 낮은 CCTV영
세그멘테이션(Segmentation) 이미지에서 픽셀단위로 관심 객체를 추출하는 방법. 이미지에서 개체가 있는 위치, 해당 개체의 모양, 어떤 픽셀이 어떤 객체에 속하는지 등을 알고 싶다고 가정할 때, 이미지를 분할해 이미지의 각 픽셀에 레이블을 부여하는 것이다. 이러
사람이 사용하는 언어나 이미지는 0과 1로만 이루어진 컴퓨터 입장에서 그 의미를 파악하기가 어렵다. 예를 들어 인간의 자연어는 수치화되어 있지 않은 데이터이기 때문에 특징을 추출해 수치화를 해줘야 한다. 이 때 '언어의 벡터화'가 이뤄지고, 이런 일련의 과정을 Word
1. Norm Norm은 벡터의 크기(길이)를 측정하는 방법(함수)이다. 즉, 두 벡터 사이의 거리를 측정하는 방법이다. 그림 1 위 식에서 p는 Norm의 차수를 의미한다. p=1 이면 L1 Norm이고, p=2 이면 L2 Norm이다. n은 해당 벡터의 원소
파이썬이든 다른 프로그래밍 언어가 되었든, 파일의 입출력 관리는 모든 언어에서 지원된다. 이 때 파일을 open하고 close하는 동작이 필요하다.파이썬에서는 이런 open을 사용 후 close를 하지 않아 발생하는 오류를 방지하기 위해 with문을 사용한다.with
이터레이터와 제너레이터는 여러개의 요소를 가지는 컨테이너를 다루는 간편한 방법을 제공하는 객체이다.아래 사진은 이터레이터와 제너레이터 뿐만 아니라 컨테이너 등 다른 개념 간의 상관관계에 대해 이해하기 쉽게 그림으로 표현한 것이다.이터레이터와 제너레이터의 개념을 설명하기
mutable, immutable 파이썬의 객체는 mutable객체와 immutable객체로 나뉜다. mutable객체와 immutable객체 mutable객체 리스트(list), 딕셔너리(dictionary), Numpy 배열(ndarray) 등 immutable
선형회귀란? 머신 러닝의 목적은 실제 데이터를 바탕으로 모델을 생성하고, 다른 입력값을 넣었을 때 나오는 결과값을 예측하는 것이라고 생각합니다. 이 때 가장 직관적이고 간단한 모델은 선 형태로 이뤄진 모델일 것입니다. 주어진 데이터에 가장 적합한 직선 형태의 모델을 찾
컴퓨터와 하드웨어 바로 위에 설치되어 다양한 하드웨어 장치들과 더불어 소프트웨어를 관리하는 시스템하드웨어를 활용할 수 있도록 펌웨어나 소프트웨어로 만들어진 프로그램컴퓨터 자원들인 프로세서, 기억장치, 파일 및 정보, 네트워크 및 보호 등을 효율적으로 관리할 수 있는 프
딕셔너리와 상호작용하는 세 가지 기본 연산(Key와 Value에 접근, 대입, 삭제)을 수행할 때 동적인 딕셔너리의 내용으로 인해 키에 접근하거나 삭제할 때 그 키가 딕셔너리에 없을 경우가 종종 발생한다.샌드위치 가게의 고객들이 가장 좋아하는 빵에 대한 투표를 저장한
기본 언패킹은 언패킹할 시퀀스의 길이를 알아야 한다는 단점이 있다.시각적인 잡음이 많다.범위를 변경했는데 다른 줄에서 고치지 않으면 결과가 잘못되거나 예외가 발생할 수 있다.언패킹 패턴의 다른 부분에 들어가지 못하는 모든 값을 별이 붙은 부분에 다 담을 수 있다.더 짧
슬라이싱 할 때 start : end : stride 와 같이 시작인덱스, 끝 인덱스 외에도 일정한 간격을 두고 슬라이싱을 할 수 있는 특별한 구문을 제공한다.홀, 짝 그룹으로 나누기스트라이드를 사용한 구문은 종종 예기치 못한 동작이 일어나서 버그를 야기할 수 있다.
파이썬에는 시퀀스를 여러 조각으로 나누는 슬라이싱 구문이 있다.슬라이싱을 사용하면 시퀀스에 들어있는 아이템의 부분집합에 쉽게 접근할 수 있다.\_\_getitem\_\_과 \_\_setitem\_\_ 특별 메서드를 구현하면 클래스에 슬라이싱을 추가할 수 있다.시작 인덱