💿 Data

[TIL] 83. Image Segmentation, Object Detection/Recognition

키워드 Segmentation(Semantic / Instance) Transpose Convolution Object Detection/Recognition Image Segmentation 하나의 이미지에서 같은 의미를 가진 물체를 단위로 구분해내는 Task 이미지 분류 : 이미지 자체를 하나의 label로 예측(나무 사진을 나무로 예측) 이미지 분할 : 이미지 내에 여러 사물들을 의미있는 단위로 구분 -> 픽셀 단위로 label 예측 [Segmentation] Semantic VS (semantic) Instance Semantic : 위에서와 같이 의미있는 단위로 물체를 구분 ex) 사람 -> 사람, 강아지 -> 강아지 Semantic Instance : 각 개체 별로 구분 ex) 사람1, 사람2..

[딥러닝, CV] FCN, 객체 탐지/인식

Semantic Segmentation(의미론적 분할) 위 그림과 같이 개체와 상관없이 같은 의미를 갖는 단위로 분할하는 방법입니다. U-net 이미지 분할을 위한 대표적인 모델 중 하나로 End-to-End 방식의 FCN 기반 모델입니다. 크게 Downsampling과 Upsampling 부분으로 나뉘어집니다. Downsampling은 Convolution 및 Pooling 과정을 통해 이미지의 특징을 추출합니다. Upsampling의 경우 Convolution 및 Transpose Convolution 과정을 통해 원본과 비슷한 크기로 복원합니다. 또한, Downsampling 각 level에서의 output인 feature map을 적당한 크기로 만들어 같은 level에서의 Upsampling in..

[TIL] 82. 합성곱 신경망(CNN) 및 전이 학습(Transfer Learning)

키워드 CNN(Convolutional Neural Network) padding, stride, filter Pooling Transfer Learning Image Data Augmentation CNN(Convolutional Neural Network ; 합성곱 신경망) 컴퓨터 비전에서 자주 사용되는 신경망 이미지의 공간적인 특성을 최대한 보존하며 학습하기에 좋음 [CNN]구조 크게 특징 추출 부분 과 분류를 위한 신경망 부분으로 나눌 수 있습니다. [CNN] 특징 추출 부분 [CNN] 합성곱(Convolution) 격자 형태를 가진 이미지 데이터를 특정 격자의 크기를 가진 필터를 통해 합성곱을 진행해나아갑니다. 필터의 격자 갯수가 곧 가중치들이 됩니다. ex) 필터 (5, 5), 필터 갯수 3,..

[딥러닝, CV] CNN 기본, 전이 학습 개념

합성곱 층(Convolution layer) 합성곱 신경망의 특징을 추출하는 층 중 하나입니다. 일정 격자 형태를 가진 이미지 데이터를 보다 작거나 같은 격자의 필터로 정해진 stride(필터가 움직이는 간격)에 따라 합성곱을 진행합니다. 합성곱은 이미지 데이터의 (0, 0)부터 (-1, -1)까지 필터의 격자에 해당하는 값과 곱하여 모두 더하는 과정입니다. 패딩(Padding) 합성곱 과정에서 output의 shape을 input과 맞추기 위해 사용합니다. 또한, 이미지 데이터의 각 격자값을 가능한 균형있게 사용하기 위해 해주는 작업입니다. 일반적으로 이미지 격자의 테두리에 0 값으로 둘러주는 작업을 하게 됩니다. 스트라이드(Stride) 합성곱 과정에서 필터가 slide할 때 움직이는 간격값입니다. ..

[딥러닝, NLP] 다양한 텍스트 전처리 방법

1. 텍스트 전처리 1-1. 단순 토큰화 exam = ["I want to be a superman. Sometimes, I imagine that i have a super power and fly to the sky without anything. Someone says 'it's not possible', but i trust myself.", "I feel better than anytime."] import spacy from spacy.tokenizer import Tokenizer nlp = spacy.load("en_core_web_sm") tok = Tokenizer(nlp.vocab) exam_token = [] for doc in tok.pipe(exam): do..