전체 글 (34) 썸네일형 리스트형 인공지능 수첩 ( segmentation / Mask R-CNN / RoIPool Layer / RoIAlign / FCN / U-Net / semantic segmentation ) segmentation - 픽셀 수준에서 이미지의 각 부분이 어떤 영역인지 분리해 내는 방법 Mask R-CNN - Instance Segmentation 모델 - 2-Stage Object Detection의 Faster-R-CNN을 계승한 것 - object detection 모델로 각 개체를 구분하고 이후에 각 개체 별로 시맨틱 세그멘테이션을 수행 RoIPool Layer - 다양한 RoI 영역을 Pooling을 통해 동일한 크기의 Feature map으로 추출해 내는 레이어 - 이 고정 사이즈의 Feature map을 바탕으로 바운딩 박스와 object의 클래스를 추론해냄. RoIAlign - Quantization하지 않고도 RoI를 처리할 고정 사이즈의 Feature map을 생.. 인공지능 수첩 ( Two-stage detector / One-stage detector / R-CNN / Fast R-CNN / Faster R-CNN / RoI Pooling / RetinaNet / Focal Loss / FPN / YOLO / SSD ) Two-stage detector - 물체가 있을 법한 위치의 후보(proposals)들을 뽑아내는 단계 이후, 실제로 물체가 있는지를 Classification과 정확한 바운딩 박스를 구하는 Regression을 수행하는 단계가 분리되어 있음. - Fast R-CNN , Faster R-CNN One-stage detector - 객체의 검출과 분류, 그리고 바운딩 박스 regression을 한 번에 하는 방법 - YOLO , SSD R-CNN - 물체가 있을 법한 후보 영역을 뽑아내는 Region proposal 알고리즘과 후보영역을 분류하는 CNN을 사용함. - Proposal을 만들어내는데에는 Selective search라는 비신경망 알고리즘이 사용됨. - 후보 이미지 각각에 대해.. 인공지능 수첩 ( augmentation / Flipping / Gray scale / Saturation / Brightness / Rotation / Center Crop / 아핀 변환 / Random Crop / MedianBlur / ToGray와 MultiplicativeNoise / 텐서플로우 Random Augmentation API / test-time augmentation .. augmentation - 갖고 있는 데이터셋을 여러 가지 방법으로 증강시켜 실질적인 학습 데이터셋의 규모를 키우는 방법 - 딥러닝 및 컴퓨터 비전 작업에서 훈련된 모델의 품질을 높이기 위해 사용됨. - 하드디스크에 저장된 이미지 데이터를 메모리에 로드한 후, 학습시킬 때 변형을 가하는 방법을 사용함. - augmentation을 통해서 실제 입력값과 비슷한 데이터 분포를 만들어 낼 수 있음. - augmentation에서는 배열을 이미지의 기본 형태로 사용함. - augmentation의 기법으로는 Flipping, Gray scale, Saturation, Brightness, Rotation, Center Crop, Random Crop, Mirroring, Color Shifting 등이 있음. .. 이전 1 2 3 4 5 6 ··· 12 다음
