# Computer Vision
[paper-review] Non-local Neural Networks
Wang, X., Girshick, R., Gupta, A., & He, K. (2018). Non-local neural networks.
Convolutional Neural Network
Convolutional Neural Network (CNN) is one of the artificial neural network types, which imitates the connecting pattern of human brain cells. Among se
[DL4CV] Convolutional Neural Networks
Deep Learning에 대해 본격적으로 공부를 시작할 때 읽었던 책의 내용을 요약하였다. 주제_Convolutional Neural Networks
[DL4CV] Neural Network Fundamentals
Deep Learning에 대해 본격적으로 공부를 시작할 때 읽었던 책의 내용을 요약하였다. 주제_Neural Network Fundamentals
[Computer Vision] Designing a Practical Degradation Model for Deep Blind Image Super-Resolution
BSRGAN | A blind image slimming model for real image degradation
[DL4CV] Optimization Methods and Regularization
Deep Learning에 대해 본격적으로 공부를 시작할 때 읽었던 책의 내용을 요약하였다. 주제_Optimization Methods and Regularization
[DL4CV] Parameterized Learning
Deep Learning에 대해 본격적으로 공부를 시작할 때 읽었던 책의 내용을 요약하였다. 주제_Parameterized Learning
[DL4CV] First Image Classifier
Deep Learning에 대해 본격적으로 공부를 시작할 때 읽었던 책의 내용을 요약하였다. 주제_First Image Classifier
[Computer Vision] ESRGAN
ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks
[5강] Convolutional Neural Network
Convolutional Neural Network. 다른 말로 합성곱 신경망이라고 부른다.1차원을 가지고 연산하는 일반적인 방식과 달리, 입력이 3차원으로 구성된 신경망이라 Width x Height x Channel 형태의 이미지에 적합한 방식이다. 위의 예시는
Scale Invariant Template Matching
**Scale Invariant Template Matching** is a Template Matching method which enables the computer to detect the template object in the test image even if
Template Matching
Template Matching is one of the famous and fundamental Computer Vision technique for Object Detection (or Recognition). Via Template Matching, the com
Lecture 2: Image Classification
Hyperparameter는 학습을 통해 최적화하는 변수가 아니고 사전에 미리 정하는 parameter입니다.예를 들어 K-Nearest Neighbor의 경우 K 값과 distance metric이 Hyperparameter입니다.Hyperparameter를 어떻게
[4강] Backpropagation
두 변수의 곱으로 이루어진 함수에서 각 변수에 대한 편미분은 다음과 같다. 두 변수의 합으로 이루어진 함수에서 각 변수에 대한 편미분은 다음과 같다.f(q), q(x) 에 대한 합성 함수인 f(x) 에 대해 미분을 취할 때 chain rule을 이용하여 계산할 수
VGGNet
2012년 이후로 ILSVRC에서는 AlexNet을 다듬어서 성능을 높이려는 시도를 하고 있었다. VGGNet은 딥러닝 모델 중 최초로 16-19 layer까지 쌓아서 성능을 끌어올렸다.
[3강] Optimization
우리는 이전 강의에서 손실 함수(loss function) 이라는 개념을 배웠고 이를 최소화하는 W (weight matrix) 를 구하고자 한다. 이를 위해서 여러 전략을 생각해볼 수 있다.Random Search임의 가중치를 시도하고 가장 잘 작동하는 것을 선택하는
[2강] Loss function
x_i = input imageW = weight matrix (weights)b = bias vector (parameters)우선 우리가 분류하고자 하는 클래스의 갯수를 k라 하자.이미지(x_i)를 1차원으로 flattening 하면 D x 1의 matrix가 된다
[1강] Image classification
컴퓨터의 입장에서 이미지란?H(높이) x W(너비) x C(채널) 로 이루어진 3차원 행렬각 행렬의 값은 0~255로 이루어져 있다. 이러한 값들을 pixel value, gray level, color depth 등으로 부르는데, 해당 픽셀의 밝기를 의미한다.채널은
OpenCV를 위한 머신러닝
비젼 관련 프로젝트를 맡게 되면서 Computer Vision에 대한 기본기를 익히고 싶다고 생각해서 이 책을 읽게 되었습니다.