티스토리

거대고슴도치

검색하기

블로그 홈

거대고슴도치

gomduribo.tistory.com/m

gomduribo 님의 블로그입니다.

구독자: 1

방명록 방문하기

주요 글 목록

[Paper Review] Grounded Language-Image Pre-training(GLIP) 논문 정리 NT 컴퓨터비전 스터디에서 이번주에는 Grounded Language-Image Pre-training(GLIP) 논문을 정리하기로 했다. **틀린내용 다수 존재합니다. Abstract - 본 논문은 grounded language-image pre-training(GLIP)을 제안 - GLIP은 object detection과 pretraining을 위한 phrase grounding을 통합, 이것은 두가지 장점이 있음 1) GLIP이 object detection과 grounding data로 부터 두 task를 모두 개선하도록 학습을 함 2) GLIP은 grounding box를 만들면서 image-text 쌍을 만들수있음 - GLIP은 2천7백만개의 이미지-텍스트 쌍 데이터로 학습 - 다양한 객체.. 공감수 0 댓글수 0 2023. 11. 14.
[Paper Review] Learning Open-vocabulary Semantic Segmentation Models From Natural Language Supervision 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 Learning Open-vocabulary Semantic Segmentation ModelsFrom Natural Language Supervision 논문을 정리하기로 했다. **틀린내용 다수 존재합니다. **2023.11.06 기준 내용 추가/보강 예정.. Abstract - 논문에서는 open-vocabulary semantic segmentation(OVS)의 문제에 대해서 고찰함 *OVS: 미리 정해진 카테고리 이외에 무작위 카테고리의 객체를 segmentation하는 task 1. 논문에서는 OVSegmentor라고 불리는 transformer에 기반한 OVS 모델을 제안 -> OVSegmentor는 웹에서 크롤링한 image-text 쌍을 사전학습하.. 공감수 0 댓글수 1 2023. 11. 6.
[Paper Review] GRES: Generalized Referring Expression Segmentation 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 GRES 논문을 정리하기로 했다. **틀린내용 다수 존재합니다. Abstract - Referring Expression Segmentation (RES)는 자연어로 묘사된 객체에 대한 segmentation mask를 생성함 - 현재 RES의 데이터셋과 방법론은 단일 표현 - 단일 객체를 지원하기에 그 사용이 제한됨 - 논문에서 제시하는 GRES는 기존의 RES를 확장하여 여러개 또는 0개의 객체의 수에 대해서도 사용이 가능함 - 다수의 객체,0개의 객체, 단일 객체 expression을 포함하는 gRefCOCO 데이터셋을 구축 - GRES를 구축하는데 가장 큰 어려움은 complex relation modeling 이였음 - 위와 같은 문제를 이미지를 sub-i.. 공감수 1 댓글수 1 2023. 10. 31.
[Paper Review] Character Region Awareness for Text Detection(CRAFT) 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 CRAFT 논문을 정리하기로 했다. **틀린내용 다수 존재합니다. Abstract - Scene text detection task를 수행할때, 각 글자를 rigid word-level bounding box로 잡는것은 다양한 모양의 글자를 잡아내는데 한계가 존재 - 논문에서는 각 글자와 그 관련성(affinity) 을 탐지하는 새로운 Scene text detection 방법을 제시 - 각 글자의 annotation의 부족을 해결하기 위해서, 합성된 이미지에서의 글자의 annotation과 실제 이미지에서의 중간학습된 이미지로 얻어진 글자의 ground truth를 사용 - 글자간의 관련성(affinity)을 예측하기 위해서 모델 새로운 representation.. 공감수 0 댓글수 0 2023. 10. 19.
[Paper Review] PIX2SEQ: A Language Modeling Framework for Object Detection 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 Pix2Seq 논문을 정리하기로 했다. 논문: https://arxiv.org/pdf/2109.10852.pdf Abstract - 논문에서는 간단하고 범용적인 객체탐지 프레임워크인 Pix2Seq모델 제안 - 신경망이 객체가 무엇이고, 어디에 있는지 안다면, 어떻게 그것을 읽는지만 알려준다면 객체탐지가 가능할 것 - task-specific data augmentations을 사용하는것 이상으로, 이러한 접근법은 task에 대한 가정을 최소화하면서, COCO 데이터셋에서 타 객체탐지 알고리즘에 비해서 좋은 성능을 보임 Introduction - 기존의 object detection은 pre-defined된 카테고리의 객체들의 위치를 찾고 인지하는것을 목적으로함 - .. 공감수 1 댓글수 1 2023. 9. 18.
[Paper Review] Swin Transformer: Hierarchical Vision Transformer using Shifted Windows 논문 정리 TNT 컴퓨터비전 스터디에서 이번주에는 Swin Transformer 논문을 정리하기로 했다. 논문: https://arxiv.org/pdf/2103.14030.pdf Abstract - 논문에서는 새로운 vision분야에 접목된 Transformer로써 Swin Transformer를 제시 - 기존에 자연어분야에서 쓰이던 Transformer가 컴퓨터 비전분야에 접목되는데에는 이미지 내에서의 큰 패턴변화나 텍스트에 비교했을때 많은량의 픽셀수 같은 어려움이 존재 - 논문에서 Shifted window를 통해 연산이 진행되는 계층적(hierarchical) Transformer를 제안 - Swin Transformer가 사용하는 계층적 구조는 self-attention 연산을 하면서 효율성과 다양한 이미지.. 공감수 0 댓글수 0 2023. 9. 8.
[Paper Review] Learning Transferable Visual Models From Natural Language Supervision(CLIP) 논문 정리 이번학기 TNT에서도 컴퓨터 비전팀으로 참여하게 되었다. 첫주차에는 CLIP논문을 리뷰해서 발표를 진행하기로 했다. **틀린내용 다수 존재합니다. ** representation learning 어떤 모델이 어떤 task인지에 따라서 input feature로부터 new feature(new representation)을 출력하게 됩니다. 이렇게 입력으로부터 new representation을 뽑도록 학습하는것을 representation learning이라고 합니다. 예를 들자면 CNN이 어떤 이미지를 분류한다고 했을때, 중간의 convolutional layer들은 최종단의 linear classifier가 이미지를 잘 분류할 수 있도록 feature vector를 잘 representation해주는.. 공감수 2 댓글수 1 2023. 9. 3.
[NLP] 자연어처리 기초부터 Attention까지: seq2seq *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. 기계번역, 음성인식 과 같이 시계열데이터를 또 다른 시계열 데이터로 변환해야하는 task들이 있습니다. 책에서는 이처럼입력과 출력이 시계열데이터인 문제를 해결하는 모델로 seq2seq(sequence to sequence)를 소개하고 있습니다. seq2seq seq2seq은 Encoder-Decoder 모델로 불리기도합니다. 예를 들어 위와 같이 '나는 고양이로소이다'라는 문장을 'I am a cat'이라는 문장으로 번역을 한다고 했을때, Encoder는 밑의 그림과 같이 LSTM(뿐만아니라 다른 모델로도 가능)으로 시계열데이터인 '나는 고양이로소이다'라는 문장을 .. 공감수 0 댓글수 0 2023. 8. 19.
[NLP] 자연어처리 기초부터 Attention까지: LSTM *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. RNN은 BPTT에서 기울기 소실 또는 기울기 폭발이 일어나기 때문에, 시계열 데이터의 장기 의존 관계를 학습하기 어렵습니다. 이러한 문제를 해결하기 위해서 등장한 것이 RNN에 게이트를 추가한 LSTM과 GRU입니다. 책에서는 chap6에서 LSTM에 대해서 소개하고 있습니다. LSTM LSTM에는 RNN과 다르게 c라는 경로가 있습니다. 이것을 기억 셀(memory cell)이라고 합니다. 은닉상태에 해당하는 ht는 기억셀 ct에 tanh를 적용한 값입니다. output 게이트 tanh(ct)의 값에 해당하는 ht의 출력을 담당하는 게이트를 output게이트라고.. 공감수 0 댓글수 1 2023. 8. 19.
[NLP] 자연어처리 기초부터 Attention까지: RNN *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. word2vec모델인 CBOW모델은 맥락안의 단어의 순서가 무시되기 때문에, 시계열 데이터에 적합하지 않습니다. 책에서는 chap5에서 RNN에 대해서 소개합니다. RNN(Recurrent Neural Network) RNN은 순환하는 경로가 있는것이 특징입니다. 위의 그림은 RNN계층을 나타낸 사진입니다. RNN은 xt를 입력으로 받는데, 이것은 시각 t 에서의 시계열데이터(문장이라면 각 단어의 분산표현)를 나타냅니다. 위의 순환경로를 가지는 RNN을 펼쳐서 나타내게 된다면 다음과 같을 것입니다. 위의 그림에서 보면 각 RNN계층은 해당계층의 시간에 해당하는 데이.. 공감수 0 댓글수 0 2023. 8. 18.
[NLP] 자연어처리 기초부터 Attention까지: word2vec(2) *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. 이전 챕터에서 소개했던 word2vec에는 두가지 문제가 존재합니다. 첫번째로는, 어휘수가 많아지면 그것을 표현하는 각 단어의 원핫 벡터의 길이가 길어지게 됩니다. 그렇게 된다면 Win행렬과 원핫벡터의 연산에서 계산량이 많아지게 됩니다. 두번째로는, Wout과 은닉벡터의 연산에서도 계산량이 많아지게 되어 softmax계층에서 병목현상이 발생하게 됩니다. chap4에서는 이러한 word2vec의 문제를 개선하는 2가지 방법에 대해서 소개합니다. Embedding 계층 Win과 입력층의 원핫 벡터의 연산은 단순히 단어의 분산 표현을 나타내는 Win행렬에서 특정 행을 추.. 공감수 0 댓글수 0 2023. 8. 17.
[NLP] 자연어처리 기초부터 Attention까지: word2vec *사이토 고키의 밑바닥부터 시작하는 딥러닝2를 공부하고 정리하는 내용입니다. 정리하는 과정에서 혹여나 잘못된 내용이 들어가 있을수 있습니다. word2vec을 설명하기 전에 책에서는 '통계 기반 기법'으로 말뭉치로부터 단어에서 동시발생 행렬을 만들고, PPMI 행렬로 변환한다. 말뭉치가 커지면 행렬의 열의 길이가 길어지기에 SVD를 이용한 차원감소 기법을 소개하였습니다. 블로그에는 chap3에 해당하는 word2vec 부분부터 정리를 하기로 하였습니다. word2vec 단어를 벡터로 표현하는 방법에는 책의 전 장에서 소개했던 '통계 기반 기법'과 다른 기법으로 '추론 기반 기법'이 존재합니다. 추론 기반 기법은 밑의 사진과 같이 주변 단어의 맥락을 이용해 ?에 어떤 단어가 들어가는지 추측하는 기법입니다... 공감수 0 댓글수 0 2023. 8. 17.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 합성곱 신경망(CNN) 인턴하는 회사에서 진행하는 세미나 8주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 7 - 합성곱 신경망 부분을 정리해 보고자 합니다. 합성곱 신경망(CNN) 이전까지 책에서 소개했던 신경망은 인접하는 계층의 모든 뉴런들이 서로 연결되어 있었습니다. 이를 Fully-connected layer 혹은 Affine 계층이라고 불렀습니다. 기존 FC layer로 이뤄진 네트워크는 다음과 같은 구조를 가지고 있었습니다. 이번장에서 소개할 CNN으로 이뤄진 네트워크는 다음과 같이 Convolution 층과 Pooling 이 추가 됩니다. 또한 마지막 출력단에 가까운 층에서는 FC layer를 사용하는 모습을 흔히 확인할 수 있습니다. 모든 뉴런들이 완전히 연결되어 있는 FC layer의 문제점은 데이터의.. 공감수 0 댓글수 0 2023. 5. 20.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 학습 관련 기술들(1) 인턴하는 회사에서 진행하는 세미나 7주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 6 - 학습 관련 기술들 부분을 정리해 보고자합니다. 매개변수 갱신 신경망 학습의 목적, 즉 손실함수의 값을 최소화하는 매개변수값을 찾는것을 최적화(optimization)이라고 합니다. 심층 신경망에서는 매개변수의 수가 무수히 많고, 그 매개변수 공간에서 손실함수의 최소값을 만들어 내는 매개변수의 지점을 찾기란 굉장히 어렵습니다. 이전 단원에서는 매개변수에 대한 손실함수의 미분값을 도출해서 점점 최적의 값에 다가갔고, 이것을 확률적 경사 하강법(SGD)라고 소개한 바 있습니다. 책에서는 SGD를 먼저 소개하고, SGD 이외의 다른 최적화 기법을 소개하고 있습니다. 확률적 경사 하강법(SGD) SGD는 위와같은 .. 공감수 0 댓글수 0 2023. 5. 1.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 오차역전파법 인턴하는 회사에서 진행하는 세미나 6주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 5 - 오차역전파법 부분을 정리해 보고자합니다. 이전 장에서는 신경망의 가중치 매개변수에 대한 손실 함수의 기울기를 구하기 위해 수치미분을 이용했습니다. 다만 이것은 연산시간이 많이 걸립니다. 따라서 오차역전파법(back propagation)이 등장합니다. 계산그래프를 이용한 역전파의 예를 살펴본다면 다음 그림과 같을 것입니다. 이처럼 신호 E에 국소적 미분값을 곱한후 다음 노드로 전달하는 것입니다. 이것이 역전파의 계산방식인데, 이러한 방식으로 어떻게 미분값을 효율적으로 구하는지 알려면 연쇄법칙을 알아야합니다. 연쇄법칙 만약 z=(x+y)^2라는 합성함수가 있다고 한다면 z=t^2 그리고 t=x+y라는 두 식.. 공감수 0 댓글수 0 2023. 4. 22.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 미분과 경사하강법 인턴하는 회사에서 진행하는 세미나 5주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 4.3 - 수치미분 부분을 정리해 보고자합니다. 미분(differentiation) 미분은 한순간의 변화량을 표시한 것입니다. 위의 식은 함수의 f(x)라는 함수의 미분식을 나타낸것입니다. 즉, x의 작은 변화가 f(x)를 얼마나 변화시키느냐입니다. 하지만 위의 그림처럼 '진정한 미분'과 '수치 미분'의 값은 다릅니다. 수치미분은 위에서 처럼 h와 같은 아주 작은 차분으로 미분하는것을 의미하는데요, 이 h를 무한히 0으로 좁히는것은 불가능하기 때문에 수치미분과 진정한 미분값에는 차이가 있다고 책에서 설명합니다. 편미분 다음과 같이 변수가 2개인 함수를 그래프로 그려본다면 밑의 그래프와 같을 것입니다. 만약 위와 .. 공감수 0 댓글수 0 2023. 4. 15.
[Paper Review] U-Net 논문 정리와 구현 ** 틀린 개념/구현 다수 딥러닝 스터디에서 U-Net도 하기로 했었는데 너무너무 게으름 피워서 이번 중간고사 휴회기간에 하게 되었다.. 할게 산더미지만 하나를 해도 꼼꼼히 리뷰하고 구현! 까지 해보자.. U-Net 논문링크 https://arxiv.org/pdf/1505.04597.pdf 1. Introduction 도입부에서 저자는 CNN이 긴 시간동안 존재했음에도, 모델의 크기와 사용가능한 training set의 크기의 한계로 더 나아가지 못했다고 말합니다. 그러면서 CNN은 output으로 이미지에 한 label을 부여하는 classification에 주로 사용되어 왔지만, 의료분야 이미지 처리에서는 이미지의 각 픽셀에 label을 부여하는 것이 선호된다고 말합니다. 그러면 이 논문에서 이미지의.. 공감수 0 댓글수 0 2023. 4. 10.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 신경망 학습 인턴하는 회사에서 진행하는 세미나 4주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 4단원-신경망 학습 부분을 정리해 보고자합니다. 이번 단원의 주제는 신경망의 학습입니다. 퍼셉트론과 다르게 신경망의 학습은 훈련데이터로부터 가중치 매개변수의 최적값을 자동으로 획득하는것입니다. 학습의 목표는 신경망이 학습의 지표로 삼는 손실함수의 결과값을 가장 작게 만드는 가중치 매개변수를 찾는것 입니다. 데이터 주도 학습 기계학습에서는 사람의 개입을 최소화하고 수집한 데이터로부터 패턴을 찾으려 시도합니다. 데이터로 주어진 이미지에서 특징을 추출하고, 그 특징의 패턴을 기계학습 기술로 학습하는것입니다. 컴퓨터 비전 분야에서는 SIFT, SURF, HOG같은 특징을 사용하여, 이미지 데이터를 벡터로 변환하고 이 벡.. 공감수 0 댓글수 0 2023. 4. 8.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 신경망(2) 인턴하는 회사에서 진행하는 세미나 3주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 3단원-다차원 배열 부분을 정리해 보고자합니다. 다차원 배열 2차원 배열은 행렬( matrix) 라고 부르고, 배열의 가로를 행, 세로 방향을 열이라고 합니다. 행렬의 곱 행렬의 곱은 다음과 같이 진행하면 됩니다. 왼쪽 행렬의 행과 오른쪽 행렬의 열을 원소별로 곱하고 더해줍니다. 다만 여기서 조심해줘야할것은 곱하는 두 행렬의 차원입니다. 이를테면 A행렬과 B행렬을 곱해준다고 하면, A행렬의 열 수와 B행렬의 행 수가 일치해야합니다. 신경망에서의 행렬곱 그렇다면 신경망에서의 행렬곱에 대해서 생각해 보겠습니다. 다음과같이 x1과 x2가 입력값(1x2) 이고 2x3짜리 가중치 행렬이 있다면 두 행렬의 곱은 1x3의 차.. 공감수 0 댓글수 0 2023. 4. 1.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 신경망 인턴하는 회사에서 진행하는 세미나 2주차의 과제로 사이토 고키의 밑바닥부터 시작하는 딥러닝의 3단원-신경망 부분을 정리해 보고자합니다. 퍼셉트론과 신경망 신경망은 앞서 글에서 소개했던 퍼셉트론의 문제점을 해결해줍니다. 퍼셉트론 단원에서는 직접 게이트들의 진리표를 확인하면서 가중치값과 임계값을 정해주었지만, 신경망은 가중치 매개변수의 적절한 값을 데이터로부터 자동으로 학습할 수 있습니다. 신경망을 그림으로 나타내면 위의 그림으로 나타낼수 있습니다. 이전에 살펴보았던 퍼셉트론에서 편향을 추가한다면 밑의 왼쪽 그림처럼 나타낼 수 있을것입니다. 이것을 활성화 함수라는 개념을 도입해서 나타낸다면 그림의 오른쪽과 같이 나타낼 수 있을 것입니다. 즉, 활성화함수는 입력신호의 총합이 활성화를 일으키는지를 결정하는 역할.. 공감수 0 댓글수 0 2023. 3. 25.
[DL 기초] 밑바닥부터 시작하는 딥러닝: 퍼셉트론 인턴하면서 전체적인 리딩을 해주시는 박사님께서 딥러닝에 필요한 수학을 기초부터 차근차근 해보자고 하셨다. 수학적인 베이스가 단단해야 나중에 더 어려운것도 이해할 수 있고, 더 나아가서 논문작성이나 구상에도 필수적이라고 하셔서 동의하고 진행하기로 하였다. 퍼셉트론이란 퍼셉트론은 다수의 신호를 입력으로 받아 하나의 신호를 출력합니다. 왼쪽 그림과 같이 두개의 입력신호(x1, x2)에 각각 가중치(w1, w2)가 부여되고, 입력값과 부여된 가중치가 곱해져서 어떠한 임계값을 넘어설 때만 1을 출력합니다. 이것을 수식으로 나타낸다면 밑에와 같을 것입니다. 즉 가중치는 각 입력 신호가 결과에 주는 영향력을 조절하는 요소로 작용합니다. 단순한 논리 회로 AND 게이트 그렇다면 위와 같은 AND 게이트를 퍼셉트론으로 .. 공감수 0 댓글수 0 2023. 3. 19.
[Paper Review] Vision Transformer(ViT) 논문 정리 ** 틀린 개념/구현 다수 이번 학기에 TNT학회 스터디로 논문리뷰 두번째로 ViT(Vision Transformer)를 하게 되었다. ViT논문(https://arxiv.org/pdf/2010.11929.pdf) Abstract NLP 분야에서 transformer architecture는 기준이 되어온것과는 다르게, 컴퓨터 비전분야에서 transformer 구조의 적용은 제한적이여 왔습니다. 논문에서는 CNN 구조가 아닌 순수 transformer가 classification task에서 효과적임을 보일것이라고 합니다. ImageNet, CIFAR-100, VTAB 데이터셋에서 Vision Transformer(ViT)는 SOTA CNN과 비교했을때 더 좋은 결과를 얻었고, 학습시에 computati.. 공감수 0 댓글수 0 2023. 3. 13.
[Paper Review] ResNet 논문 정리 보호되어 있는 글입니다. 공감수 0 댓글수 0 2023. 3. 6.
[Paper Review] GoogLeNet(Inception-v1) 논문 읽고 구현하기 with Pytorch ** 틀린 개념/구현 다수 Inception module이 모델링 코딩을 연습하기에 좋다고 해서, 내 두 번째 논문 리뷰/구현으로 GoogLeNet(Inception-v1)을 선택했다. GoogLeNet 논문 링크 Going deeper with convolutions GoogLeNet은 ImageNet 이미지 인식대회(ILSVRC)에서 2014년 우승을 차지한 모델이다. 22층으로 구성되어 있으며 구글 개발진이 모델 개발에 참여했다. 1. Abstract / Introduction 저자들은 GoogLeNet 모델의 특징은 depth와 width를 증가시키고 computing의 부하를 유지함으로써 성취한 computing resource의 개선된 활용이라고 말한다. GoogLeNet은 classifica.. 공감수 0 댓글수 0 2023. 2. 1.
[Paper Review] AlexNet 논문 읽고 구현하기 with Pytorch ** 틀린 개념/구현 다수 내 가장 첫 논문 리뷰/구현 과제로 AlexNet을 선택했다. 나같이 아무것도 모르는 애가 구현하기에 딱 좋다고 해서 도전해 봤다. AlexNet논문 링크 AlexNet은 ImageNet 이미지 인식대회(ILSVRC)에서 2012년 우승을 차지한 모델이다. 처음 논문을 읽고 구현하는 것이라 다른 블로그도 많이 참고하면서 이해/구현해 봤다. 1. Dataset ImageNet은 1500만 개의 이미지가 22000개의 카테고리 라벨링된 고해상도의 이미지데이터셋이다. 이 논문에서는 전체 ImageNet을 사용한 것이 아니라, 각 1000개의 카테고리에서 약 1000개의 이미지를 즉 120만 개를 train images로, 5만 개를 validation images로, 15만 개를 t.. 공감수 0 댓글수 0 2023. 1. 25.
[CV Tasks] YOLOv1을 활용한 Object Detection 모델 구현 **패스트 캠퍼스 강의를 보고 정리하는 거라 틀린 개념/방법 다수존재가능합니다.. 이전의 CV Tasks 글에서는 Object detection을 Double stage detector인 Faster R-CNN으로 진행해 보았다. 이번에는 Single stage detector인 YOLOv1을 이용해서 Truck과 Bus를 탐지하는 모델을 실습해 보았다. 이전에 했던 Faster R-CNN을 활용한 Object detection 글 실습의 흐름은 다음과 같이 진행했다. 1. Dataset 살펴보기 2. Dataset 구축과 연산을 위한 텐서변환 모듈 작성하기 3. YOLOv1아키텍처 불러오기 4. YOLOv1 Loss function 소개 및 구현 5. Object Detector 학습을 위한 코드 작성.. 공감수 0 댓글수 0 2023. 1. 12.
[CV Tasks] Faster R-CNN을 활용한 Object Detection 모델 구현 **패스트 캠퍼스 강의를 보고 정리하는거라 틀린개념/방법 다수존재가능합니다.. 이번 강의에서는 Faster R-CNN을 이용해서 Truck과 Bus를 탐지하는 모델을 실습해 보았다. 이 실습의 흐름은 다음과 같이 진행했다. 1. Dataset 살펴보기 2. Dataset 구축과 연산을 위한 텐서변환 모듈 작성하기 3. Faster R-CNN 아키텍처 불러오기 4. Object Detector 학습을 위한 코드 작성하기 5. Confidence threshold와 Non-maximum suppression (NMS) 적용하기 6. 탐지 성능 검증을 위한 지표 소개 및 적용 7. Faster R-CNN 모델 테스트해보기 1. Dataset 살펴보기 먼저 이 실습에 필요한 Dataset을 살펴본다. 이번 실습.. 공감수 0 댓글수 0 2023. 1. 3.
[CV Theory] Object Detection(2): Fast R-CNN에서 Single-Stage Object Detection까지 **개인적으로 공부하고 있는거라 틀린내용 다수 존재합니다. 이전글에 이어서 Fast R-CNN부터 Single-Stage Object Detection까지 마저 정리를 하고자한다. 2022.12.29 - [DL] - [CV Theory] Object Detection(1): Sliding Window에서 "Slow" R-CNN까지 [CV Theory] Object Detection(1): Sliding Window에서 "Slow" R-CNN까지 **개인적으로 공부하고 있는거라 틀린내용 다수 존재 지난 학기에 TNT활동을 하면서 이론 스터디를 미시간대에서 진행된 Deep Learning for Computer Vision 강의를 기반으로 진행했다. 그중에서 15번째 강 gomduribo.tistory.co.. 공감수 0 댓글수 0 2022. 12. 31.
[CV Theory] Object Detection(1): Sliding Window에서 "Slow" R-CNN까지 **개인적으로 공부하고 있는거라 틀린내용 다수 존재 지난 학기에 TNT활동을 하면서 이론 스터디를 미시간대에서 진행된 Deep Learning for Computer Vision 강의를 기반으로 진행했다. 그중에서 15번째 강의인 Object Detection 강의를 듣고 그 내용을 정리해 보려고 한다. 하나하나 디테일보다 Detection의 개괄에 대해서 쭉 설명해줘서 이해하기가 좋았다. https://youtu.be/TB-fdISzpHQ 기존의 Classification task는 단순히 전체 이미지의 Label을 추정하기만 하고, 이미지의 디테일한 픽셀부분들이 어떤 Label에 해당하는지 판단하지는 못하는 task였다. 이제는 더 나아가서, 이미지 안에 나타난 다수의 객체들을 Detection하는 .. 공감수 0 댓글수 0 2022. 12. 29.
[CV Tasks] 정상, 코로나, 폐렴을 분류하는 Classification 모델 구현 **개인적으로 강의하면서 공부하면서 정리하는거라 틀린거 다수 있습니다. **google colab에서 작성된 코드입니다. 패스트 캠퍼스 컴퓨터 비전강의에서 진행한 주제별 간단한 컴퓨터 비전 실습프로젝트들을 정리해보려고한다. 실습 주제는 총 9개 정도로 구성되는데, 그냥 계속 하다가 보면 까먹고 기록도 안남을거같아서 주제마다 글로 정리를 해야겠다고 생각을 했다. 첫번째 주제는 정상, 코로나, 폐렴을 분류하는 Classification 모델 구현하기 즉, Image Classification 이다. 컴퓨터 비전 분야에서 Classification은 가장 기본적이고 쉬운 분야(?) 라고 생각했는데 막상 이게 어떤 흐름으로 구현이 되는지 정확히 잘 머리에 떠오르지 않는다.. 이렇게 밑바닥부터 구현하면서, 실제 .. 공감수 0 댓글수 1 2022. 12. 27.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.