ComputerVision Jack

Advanced CNN 저번시간 교수님께서 강의해주신 CNN 모델의 architecture입니다. 하지만 여기서 우리는 의문점이 생깁니다. 이미지에서 Kernel을 통해 feature를 추출할 경우, kernel size를 1 x 1 or 3 x 3, 5 x 5으로 선택해야하기 때문입니다. 교수님은 여기서 Inception Module을 설명해주셨습니다. 즉, 모든 연산을 다 집어 넣으면서 basic은 1 x 1로 시작하는 방식입니다. Why 1 x 1 convolution? 1 x 1 convolution을 토대로 3 x 3, 5 x 5, pooling까지 확장해 나아갑니다. 그럼 왜 1 x 1 convolution을 진행할까요? 1 x 1 convolution의 경우 이미지의 손실이 발생하지 않습니다..

SSD using colab SSD : (Single Shot Multibox Detector) 논문을 읽으면 쉽게 정의할 수 있다. 우선 output을 위한 공간을 정의한다. 이 과정에서 multi feature map을 사용한다. 이런 feature map에서 default box를 생성하고 모델을 통해 계산한 좌표와 클래스 값에 적용하여 최종적으로 이미지의 bounding box를 제작한다. 또한 이런 SSD는 저 해상도 모델에 동작이 잘되서 이미지 Shape을 300 x 300으로 설정하는 것이 좋다. #우선 해당 실습은 tensorflow 버전 1.x 대에서 실행된다. 따라서 코렙에 있는 tensorflow 버전을 낮춰야한다. #tensorflow가 제공하는 SSD 모델을 사용하기위해 해당 gi..

CNN 이번 시간엔 이미지 데이터에서 특징을 추출하여 학습을 진행하는 CNN 모델을 설명해주셨습니다. cnn 모델은 convolution layer를 통해서 이미지의 feature을 추출하고 해달 추출된 모델을 분류기에 넣어 진행하는 방식입니다. 따라서 전 시간에 배운 MNIST 이미지 데이터에 대해 간단한 CNN 모델을 만들어 보겠습니다. Simple convolution layer (stride : 1 x 1) 우선 컨볼루션 레이어의 연산에 대해 살펴보겠습니다. 이미지와 w(필터)가 곱 연산으로 진행됩니다. 1 2 3 4 5 6 7 8 9 위의 그림처럼 3 x 3 이미지가 존재하고 해당 이미지의 픽셀 값은 각각 1~9까지 존재한다고 생각하면됩니다. 여기에 2 x 2필터를 적용하여 layer를 추출해보..

MNIST input 이번 시간엔 MNIST (숫자 그림 자료)데이터로 각각 해당 숫자에 맞게 분류하는 시간이었습니다. MNIST 데이터는 딥러닝을 공부할 때 기본이 되는 데이터로, 가로 28p 세로 28p 컬러값 1인 숫자 이미지 파일입니다. 지난 시간 저희는 간단하게 다변수에 대한 이진 결과를 예측하는 모델(logistic regression)을 만들었습니다. 이번엔 다변수에 대한 결과를 각각해당 class에 맞게 분류하는 모델을 만들려고합니다. 10 outputs 예전 모델을 생각해본다면 X -> Linear -> Activation Function -> Y_pred 입니다. 따라서 선형 모델에서 x_data의 shape이 (n, 2) 이라면 w의 shape은 (2, 1)되어 y의 shape은 자동..

Batch(Batch size) 앞에 저희가 처리했떤 당뇨 데이터인 경우 데이터의 사이즈가 그리 크지 않습니다. 하지만 딥러닝을 적용할 경우 데이터의 용량이 거대해지는 경우가 발생합니다. 이럴 경우 Batch와 Dataloader를 통하여 해결할 수 있습니다. Epoch 에폭의 경우 반복을 이용하여 데이터 전체를 한번 학습 시킨것을 지칭합니다. batch size batch size경우 해당 데이터셋을 사용자가 지정한 만큼 자른 것을 의미합니다. 따라서 1000개의 데이터가 존재할때 batch size를 500으로 한다면 1 Epoch을 적용할 경우 2번의 반복을 돌아야합니다. DataLoader 시퀀스적으로 보면 해당 데이터가 들어오면 셔플 적용여부를 선택하고 큐에 데이터가 들어갑니다. 그 다음 각각 ..

이번 장에선 전 시간에 배운 logistic regression 네트워크를 깊고 넓게 구성하는 방법에 대해 설명해주셨습니다. 우선 설명해주신 예제로 풀어보겠습니다. HKUST PHD Program Application GPA(a) Admission? 2.1 0 4.2 1 3.1 0 3.3 1 만약 데이터가 이런식으로 제공되어 있다면 우리가 알고있는 logistic regression으로 처리하면 됩니다. GPA (입력) -> Linear -> Sigmoid -> y^ 식으로 접근이 가능합니다. How about experience and other GPA(a) Experience(b) Admission? 2.1 0.1 0 4.2 0.8 1 3.1 0.9 0 3.3 0.2 1 해당 데이터에 대해 Exper..

Mask R-CNN using colab 이번엔 사진이 아닌 동영상 파일에 대해 객체 검출을 진행하는 시간을 가졌습니다. 예전에 포스팅했던 Yolov5 모델 처럼 실시간으로 객체를 판별하는 것이 아닌 동영상을 읽어와 프레임 별로 나눈 후, 객체 검출을 진행하고, 마지막 부분에서 프레임을 재 취합하여 동영상을 만드는 방법입니다. 우선 videos 라는 디렉토리를 생성합니다. 다음 해당 디렉토리에 동영상 예제 파일을 다운받습니다. 명령어를 통해 해당 디렉토리에 다운받은 파일이 잘 있는지 확인합니다. 다음으로 환경과 재료 준비가 완료되었다면, cv2 라이브러리를 import 하여 VideoCapture 클래스를 사용해 동영상 파일을 frame 단위로 읽어 객체 검출을 진행합니다. 여기서 중요한 부분은 whil..

R-CNN CNN 모델에 Region proposal을 추가하여, 물체가 존재할 법한 곳을 제안하고, 해당 ROI 안에서 물체를 Object Deteciton하는 방법입니다. R-CNN 모델 계열 R-CNN(2014) - Object Detection Fast R-CNN(2015) - Object Detection Faster R-CNN(2016) - Object Detection Mask R-CNN(2017) - Instance Segmentation Mask R-CNN Mask R-CNN 방식은 Faster R-CNN에 픽셀의 객체 여부를 파악하는 Masking을 CNN에 추가한 방식입니다. Faster R-CNN과의 차이점 Faster R-CNN에 존재하는 "bbox 인식을 위한 브랜치"에 병렬로 ..