전체 글 (43) 썸네일형 리스트형 머신러닝- 관련 정리 이전 머신러닝 방법들에 대한 정리와 구현 등의 포스팅되었던 것에 대하여 주소를 공유한다. https://blog.naver.com/alstjr2604 나의 20대 후반을 현명하게 보내고 싶기에... : 네이버 블로그 별 거 없는 대학원생의 일상에 무난하게 보내는 하루가 아닌 인상적인 하루를 보내고 싶은 사람의 블로그. blog.naver.com K-Fold, Stratified Cross Validation (1) K-Fold Cross Validation 머신러닝 학습을 시행하는 경우 최적의 하이퍼파라미터 이를테면 Learning Rate, Epoch 등의 값을 찾는 것이 중요한 절차이다. Cross Validation 이라는 단어에 대하여 먼저 파악해보면, 머신러닝이나 딥러닝 모두에서 학습을 시행할 경우 가장 중요한 것은 Training 과정에서의 높은 정확도가 아니다. 일반적으로 우리가 모델을 학습하여 배포할 경우 예상되는 미지의 Label(정답)이 주어지지 않는 경우에 대한 정확도를 좀 더 중점적으로 고려해야한다. 이것을 위하여 Cross Validation 이라는 과정이 필요하게 된다. 간단하게 가지고 있는 데이터셋에서 학습에 사용할 데이터와 검증에 사용할 데이터 좀 더 구체적으로는 학습, 검증, .. Chapter3) RCNN 계열 Object Detector(RCNN, SPPNet, Fast RCNN, Faster RCNN) 목차 1. Region Proposal 기반의 Object Detection 모델 2. RCNN Training 과 Loss 3. RCNN 의 문제점과 Spatial Pyramid Matching 이해 4. SPP 을 활용한 Object Detection 5. Fast RCNN 의 이해 6. Anchor Box 7. Anchor Box 를 활용한 RPN 구성 8. RPN 과 Faster RCNN Training 및 성능 비교 1. Region Proposal 기반의 Object Detection 모델 기존 Selective search 와 같은 Region Proposal 을 기반으로 하는 방법으로 전체적으로 Stage 를 2단계로 구분할 수 있다. Stage1) Region Proposal (Use S.. Chapter2) Object Detection 과 Segmentation 을 위한 주요 데이터 세트 및 OpenCV 소개 목차 1. Object Detection 주요 데이터 세트 소개 및 Pascal VOC 데이터 세트의 이해 2. Pascal VOC 데이터 세트 탐색하기 3. MS-COCO 데이터 세트의 이해 4. OpenCV 개요 5. OpenCV를 활용한 이미지 처리 실습 6. OpenCV를 활용한 영상 처리 실습 7. Object Detection 네트워크 개요 및 FPS / Resolution / 성능 상관관계 1. Object Detection 주요 데이터 세트 소개 및 Pascal VOC 데이터 세트의 이해 많은 Detection 과 Segmentation 의 딥러닝 프레임워크에서는 해당 dataset 을 기반으로 Pretrained 되어 있다. (1) PASCAL VOC : 20 개의 카테고리 (2) MS .. Chapter1) 9. Object Detection 성능 평가지표 mAP mAP(mean Average Precision) : 실제 object 가 detected 된 재현율의 변화에 따른 정밀도의 값을 평균한 성능 수치 필요한 것들 : IoU, Precision-Recall Curve, Average Precision, Confidence threshold 정밀도(Precision) 과 재현율(Recall) - 정밀도 : 예측을 Positive 로 한 대상 중에 예측과 실제 값이 Positive 로 일치한 데이터의 비율 = TP / (FP + TP) (Object Detection 에서는 검출 알고리즘이 검출 예측한 결과가 실제 Object들과 얼마나 일치하는지를 나타내는 지표) - 재현율 : 실제 값이 Positive 인 대상 중에 예측과 실제 값이 Positive로 일치.. Chapter1) 1. Object Detection 과 Segmentation 개요 - 8. NMS(Non Max Suppression) 의 이해 본 카테고리의 모든 게시물은 개인적인 이해를 위한 Inflearn 의 권철민 강사님의 컴퓨터 비전 강의에 대한 요약임을 밝힙니다. 목차 1. Object Detection 과 Segmentation 개요 2. Object Detection 주요 구성 요소 및 왜 Object Detection 이 어려운가? 3. Object Localization 과 Detection 의 이해 4. Region Proposal(영역 추정)의 이해와 슬라이딩 윈도우와의 비교 5. Region Proposal(영역 추정) - Selective Search 기법 6. Selective Search 실습 및 시각화 7. IOU(Intersection over Union)의 이해와 구현 실습 8. NMS(Non Max Suppre.. Extra) Hyperparameter Search 쉽지 않은 이해에 참고 자료 중 가장 효율적으로 정리할 수 있었던 본 포스팅의 내용은 https://www.youtube.com/watch?v=PTxqPfG_lXY 에 내용을 요약한 것이다. 나의 이해를 위한 것이기에 내용 정렬이 강의의 순서와 동일하다. 그러므로 좀 더 나은 이해를 위해 접속하여 확인하길 바란다. Hyperparameter 란? learning rate 와 같은 요소로서 학습에서 성능 향상에 중요한 도움을 줄 수 있는 세팅을 말한다. 가령 예를들어 learning rate 가 너무 작으면 학습의 속도가 너무 느려지게 되고 너무 크면 발산하여 수렴하지 않을 수 있다는 것이 이것의 중요성을 대변해주는 것이다. Hyperparameter의 종류 Learning rate, Number of L.. 7. 합성곱 신경망(CNN) 지금까지의 경우 대부분 책의 순서를 따르려고 노력했지만, 중간중간 추가 정보를 파악하며 넘어갔다. 하지만 CNN 의 챕터의 내용 구성이 충분한 관계로 책의 순서를 그대로 따르려고한다. 이미지의 경우, 내가 가장 즐겨 찾는 곳인 https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53 의 것을 참고하여 사용하겠다. 7.1 전체 구조 이전 Fully connected Layer 혹은 심층 신경망 구조에 익숙하다면, CNN 의 네트워크 구조는 합성곱 계층(Convolutional layer) 와 풀링 계층(Pooling layer) 가 새롭게 등장한다. 이전에 심층 신.. 이전 1 2 3 4 ··· 6 다음
