컴퓨터비전

영상을 획득하는 장비인 카메라는 사람의 눈과 비슷한 구조를 가집니다. 사람 눈의 수정체는 카메라의 렌즈 역할이고, 망막은 필름(CCD 센서)에 해당합니다.핀홀 카메라는 복잡한 카메라의 역할을 아주 단순하게 표현하는데, 빛이 상자의 아주 작은 구멍을 통해 들어가면 영상

획득과 표현 샘플링과 양자화 영상을 획득하는 장비인 카메라는 사람의 눈과 비슷한 구조를 가집니다. 사람 눈의 수정체는 카메라의 렌즈 역할이고, 망막은 필름(CCD 센서)에 해당합니다. 핀홀 카메라는 복잡한 카메라의 역할을 아주 단순하게 표현하는데, 빛이 상자의 아주

Big Data는 밑과 같은 걸로 표현할 수 있습니다.형태, 모양 -> shape중심 위치 -> mean산포 -> variance이 중 위와 같은 것들을 알아보기 위해서는 Graph, Table를 통해 알아볼 수 있습니다. 그 중 사람들이 직관적으로 주어진 데이터를 알

2차원의 영상을 받았을 때의 내가 위치해 있는 화소의 위치로부터 내 주변에 있는 화소들의 관계가 어떻게 되는지 알아보겠습니다. 그리고 연결되어 있는 화소들의 묶음이 몇 개인지 세어보는 라벨링에 대해 알아보겠습니다.따라서 이번에는 영상에서의 연결성이 어떻게 되는지 정의해

이번에는 convolution에 대해 배우는데, 왜 convolution을 하느냐에 대해 이해하는 것이 가장 중요한 개념입니다. 또한 딥러닝에서는 CNN이 있는데, 여기서 C가 convolution이며 CNN에서 해당 개념을 사용합니다.영상의 픽셀 값 하나씩을 변환시키

edge: 물체의 경계면에서 색상이 달라지는 부분의 선물체의 형태, 컬러, 글자 정보 등을 알 수 있기 때문에 물체의 의미론적 정보를 얻을 수 있음물체의 형태, 그림자의 정보, depth의 정보를 알 수 있단 측면에서 기하학적 정보도 얻을 수 있음그러나 조명 환경에 매

Last time: Image ClassificationImage Classification란 이미지를 input으로 넣으면, output으로 고정된 카테고리 세트 중 하나에 이미지 할당이 되는 것입니다.Today: Linear Classifiers우리가 오늘 하는 건

Supervised learningSupervised learning(지도 학습)의 목표는 새로운 입력에 대한 최상의 출력을 예측하는 것입니다.미래 실적을 예측하는 방법은 minimize empirical risk(경험적 위험 최소화)가 있습니다. 이는 주어진 데이터에

Overfitting이란 모델이 training data에만 과도하게 맞춰진 현상을 뜻합니다. overfitting된 모델은 training data에 매우 잘 맞을 수 있지만 새로운 예제(test 또는 validation data)로 일반화하지는 못합니다.교육 세트에

Nonlinear score functionHinge Loss on predictionsRegularizationTotal loss: data loss + regularizationProblem: Very tedious: Lots of matrix calculus, n

Example: Matrix Multiplication

이번에는 CNN에 대해 살펴보고자 합니다. Fully-Connected NN과는 어떻게 다른지, 어떤 특징을 가지고, 어떤 데이터에 적합한지 등에 대해 공부해보겠습니다.이전에는 neural network를 학습시킬 때, 어떻게 gradient를 계산할 것인지를 알아보았

Example: 1x1 Convolution 이번 예시는 필터 사이즈가 1x1인 경우입니다. 이 경우에는 레이어를 아무리 쌓아도 이전 레이어에 대응하는 1 x 1 영역만 계속해서 가져오기 때문에 receptive field도 1x1입니다. 56x56 이미지 각 한 칸