EECS 498-007 / 598-005

Deep Learning for Computer Vision Computer Vision : 시각적인 데이터를 처리,인지 및 추론하는 인공 시스템을 구축하는 것 우리 생활 곳곳 어디에서든 사용되기 때문에 중요하다. Learning : 데이터나 경험을 통해 학습하여 인

Image Classification은 간단하지만 매우 중요.사람은 직관적으로 고양이라고 구분할 수 있지만, 컴퓨터에겐 쉽지 않은 일이며 사람과 컴퓨터 사이의 차이 즉, Semantic Gap 문제가 발생.Viewpoint Variation Intraclass Vari

Neural Network는 Lego 블록과 같이 여러 레이어 들을 쌓아 놓은 것이러한 블록들 중에서 가장 기본이 되는 것이 Linear Classifiers.Neural Network의 구조가 복잡해 보이지만 개별 구성요소를 살펴보면 Linear Classifiers

Optimization Optimization의 목표 : Loss Function에 Input으로 weight matrix를 넣어주었을때, 가장 작은 Loss값을 가지게 하는 weight matrix 찾기 직관적으로 이해하기 땅의 x,y 좌표를 weight ma

Neural Networks 지난시간까지 우리는 classification 문제를 해결하기 위해서 Linear Model을 사용 weight에 따라서 모델의 성능을 표현하기 위해 Loss 함수를 사용 Loss 함수값을 최소화 시키도록 SGD를 이용하여 모델을 학습

이전까지 Linear classifier보다 더 강력한 Neural Network를 배움.Neural Network는 Linear classifier보다 강력한 성능을 가지고 있지만,Optimize 과정에서 Non-convex 문제 발생그렇다면 Neural Networ

그동안 배웠던 linear classifier에서는 공간적인 정보를 담지 않음.이 문제를 해결하기 위해서 Convolutional Networks를 고안Fully-Connected layer에서는 input vector에 weight matrix와 비선형 활성화 함수를