티스토리

힘빠진 컴공

검색하기

블로그 홈

힘빠진 컴공

howdy1227.tistory.com/m

유스베리이 님의 블로그입니다.

구독자: 1

방명록 방문하기

주요 글 목록

[Paper Review] You Only Look Once: Unified, Real-Time Object Detection A new approach to object detection. Prior work on object detection repurposes classifiers to perform detectionInstead, we frame object detection as a regression problem to spatially separated bounding boxed and associated class probabilities. A single neural network predicts bounding boxes and class probabilities directly from full images in one evaluation. Humans glance at an image and instant.. 공감수 1 댓글수 0 2025. 1. 9.
[Paper Review] DUSt3R: Geometric 3D Visioin Made Easy+ MASt3R: Grounding Image Matching in 3D 이전의 3D vision 기술들 SfM (Structure from Motion) Reconstructing sparse 3D maps while jointly determining camera parameters from a set of imagespixel correspondences obtained from keypoint matching between multiple images to determine geometric relationships, followed by bundle adjustment ti optimize 3D coordinates and camera parameter jointly.But, The sequential structure of the SfM pipeline persi.. 공감수 0 댓글수 0 2025. 1. 8.
[Paper Review] RoMa : Robust Dense Feature Matching Image MatchingFeature Matching is an important computer computer vision task that involves estimating correspndences between two images of a 3D scene, and dense methods estimate all such correspondencesDense Method (coarse-to-fine approach): Dense feature matching methods aim to find all matching pixel-pairs between the imagescoarse feature는 3D supervision을 통해 학습 -> 3D dataset은 매우 비싸고 양이 제한, ove.. 공감수 0 댓글수 0 2025. 1. 8.
[Paper Review] Deep Convolutional Neural Models for Picture-Quality Prediction Deep Convolutional Neural Models for Picture-Quality Prediction 서론이미지 품질 평가에 대한 중요성과 동기딥러닝을 활용한 이미지 품질 평가의 필요성연구 목표 및 방법 소개지각적 이미지 품질 예측딥러닝을 활용한 이미지 품질 예측 모델 소개합성 왜곡 이미지를 활용한 모델 성능 평가대규모 이미지 데이터베이스 수집 방법에 대한 논의딥 이미지 품질 평가자 (DIQA)비참조 이미지 품질 평가 모델 소개DIQA 모델의 훈련 및 성능 평가 결과CNN 기반 완전 참조 이미지 품질 모델CNN을 활용한 완전 참조 이미지 품질 예측 모델 소개다양한 모델의 성능 비교 및 결과 분석데이터 기반 이미지 품질 평가의 도전이미지 품질 평가에서의 데이터 수집 어려움과 해결책주관적 이미지.. 공감수 0 댓글수 0 2024. 5. 15.
[Paper Review] Quality-aware Pre-trained Models for Blind Image Quality Assessment Abstract BIQA(Blind Image Quality Assessment) 는 단일 이미지의 지각된 품질을 자동으로 평가하는것을 목표로 함 ( 참조 이미지 없이 이미지의 품질 평가) but, label이 지정된 데이터의 부족은 BIQA 방법을 제한함본 논문에서는 BIQA를 위한 전처리 작업으로 self-supervised learning manner 사용해 더 많은 데이터에서 표현을 학습할 수 있는 방법을 제안 학습과정을 제약하기 위해 간단한 가정을 바탕으로 한 품질 인식대조손실을 제안함. 왜곡된 이미지에서 추출된 패치들의 품질은 유사해야하지만, 서로 다른 왜곡을 가진 같은 이미지의 패치들과는 다르며 다른 이미지들의 패치들과는 달라야함 Introduction 이미지 품질은 서비스 제공자가 사용.. 공감수 0 댓글수 0 2024. 4. 2.
[Paper Review] MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications Abstract MobileNets - 모바일 및 임베디드 비전 애플리케이션을 위해 설계- 깊이별 분리 가능한 convolution 을 사용하는 간소화된 구조를 바탕으로 light weight deep neural network 구축- 지연 시간과 정확성 사이의 효율적인 절충을 가능하게 하는 두 개의 간단한 전역 하이퍼파라미터 도입 -> 제약 조건에 기반해 애플리케이션에 적합한 크기의 모델 선택 가능 2. Prior Work (작은 모델을 구축하는 이전 작업 검토)이전의 모델들은 small network 에서 latency를 최적화했지만 speed를 고려하지 못했음MobileNets - 주로 깊이별 분리 가능한 컨볼루션에서 구축됨Flattened network - 완전 분해 가능한 컨볼루션으로 구.. 공감수 0 댓글수 0 2024. 3. 17.
[Paper Review] Noise2Noise: Learning image restoration without clean data Abstract - 기존의 신호 재구성 방식과 달리 오직 손상된 예시만을 바라보고 이미지를 복원하는 방법을 학습할 수 있는지에 대한 통계적 추론을 적용-> 손상된 데이터만을 보고 이미지 복원을 학습할 수 있고 , 깨끗한 데이터를 사용할 때보다 더 나은 성능을 보일 수 있음. ex) 손상된 사진의 노이즈 제거, 합성 Monte Carlo images의 denoising, 샘플링이 부족한 restruction of undersampled MRI scans based on noisy data only 1. IntroductionSignal reconstruction from corrupted or incomplete measurements ; 통계적 데이터 분석의 중요한 분야-> 대규모의 손상된 입력과 깨끗.. 공감수 1 댓글수 0 2024. 3. 17.
[Paper Review] Attention is all you need 1. IntroductionTransformer는 기존의 반복적(recurrent) 모델의 한계를 극복하기 위해 개발된 모델로, 여러 자연어 처리 작업에서 혁신적인 성능을 보여줍니다. 1. **반복 모델의 한계**: 전통적인 순환 신경망(RNN)과 같은 반복 모델들은 입력 및 출력 시퀀스의 기호 위치에 따라 계산을 순차적으로 진행합니다. 이러한 순차적 계산의 본질 때문에, 트레이닝 예시 내에서의 병렬화가 어렵고, 더 긴 시퀀스 길이에서는 메모리 제약으로 인해 배치 처리가 제한됩니다. 이는 효율성과 성능에 제약을 주는 요소입니다.2. **주의(Attention) 메커니즘**: Transformer는 Attention 메커니즘을 사용하여 모델링의 핵심 요소로 삼습니다. 이 메커니즘은 입력 또는 출력 시퀀스 .. 공감수 1 댓글수 3 2024. 2. 28.
혼자 공부하는 머신러닝 + 딥러닝 9장 9-3 LSTM과 GRU셀 LSTM 셀: 타임스텝이 긴 데이터를 효과적으로 학습하기 위해 고안된 순환층, '입력 게이트, 삭제 게이트, 출력 게이트' 역할을 하는 작은셀이 포함되어 있음 LSTM 셀은 은닉 상태(Hidden state) 외에 셀 상태를 출력함, 셀 상태는 다음 층으로 전달되지 않으며 현재 셀에서만 순환됨 GRU 셀: LSTM 셀의 간소화 버전이지만, 못지않은 성능을 냄 LSTM 구조 (Long Short-Term Memory) LSTM 셀을 사용한 순환층 클래스 입력과 가중치를 곱하고 절편을 더해 활성화 함수를 통과시키는 구조를 여러개 가지고 있음. 계산 결과를 다음 타임스텝에 재사용 1. 은닉 상태 입력과 이전 타임스텍의 은닉 상태를 가중치에 곱한 후 활성화 함수를 통과시켜 다음 은닉 .. 공감수 2 댓글수 1 2023. 11. 25.
혼자 공부하는 머신러닝 + 딥러닝 8장 8-2 합성곱 신경망을 사용한 이미지 분류 패션 MNIST 데이터 불러오기 데이터 스케일을 0~255사이에서 0~1 사이로 바꾸고 훈련세트와 검증세트로 나눔 from tensorflow import keras from sklearn.model_selection import train_test_split (train_input, train_target), (test_input, test_target) = \ keras.datasets.fashion_mnist.load_data() train_scaled = train_input.reshape(-1, 28, 28, 1) / 255.0 입력 이미지는 항상 깊이(채널) 차원이 있어야함. Conv2D 층을 사용하기 위해 마지막에 채널 차원을 추가해야함 train_.. 공감수 1 댓글수 2 2023. 11. 19.
혼자 공부하는 머신러닝 + 딥러닝 7장 7-1 인공신경망 뉴런(=유닛) : 인공 신경망에서 z값을 계산하는 단위 ex)z1~ z10 (z_티셔츠, z_바지... ) 출력층: z1~z10 을 계산하고 클래스를 예측하여, 신경망의 최종 값을 만듦 . 선형 계산만 발생 입력층: 인공 신경망에서 픽셀값 자체, 특별한 계산 하지않음 ex)x1~x784 (픽셀1,픽셀2 ...) 인공 신경망 모델 1. 텐서플로와 케라스 구글이 2015년 11월 오픈소스로 공개한 딥러닝 라이브러리 ; 인기가 제일 많음 from tensorflow import keras 텐서플로에는 저수준의 API / 고수준의 API (케라스;딥러닝 라이브러리) 포함 딥러닝 라이브러리 머신러닝 라이브러리와 달리 GPU(그래픽 처리 장치) 사용해 인공 신경망을 훈련 GPU는 벡터와 행렬 연산.. 공감수 0 댓글수 1 2023. 11. 12.
혼자공부하는 머신러닝 + 딥러닝 5장 5-3 트리의 앙상블 정형 데이터 - 데이터 베이스, 엑셀, CSV 로 저장하기 쉬운 데이터 비정형 데이터 - 데이터 베이스, 엑셀로 표현하기 어려운 데이터 (ex. 텍스트 데이터, 사진, 디지털 음악) 앙상블 학습 ensemble learning : 정형데이터를 다루는 데 가장 좋은 알고리즘 랜덤 포레스트 Random forest 여러 개의 결정 트리(Decision Tree)를 사용하여 데이터를 학습하고 예측하는 모델 여러 개의 결정 트리를 만들고, 각 트리의 예측을 종합하여 높은 정확도의 예측을 수행 부트스트랩 샘플링 (Bootstrap sampling) 랜덤 포레스트는 원본 데이터에서 랜덤하게 중복을 허용(뽑은 데이터를 다시 넣어서 랜덤하게 뽑음)하여 샘플을 선택하고 이렇게 만들어진 부트스트랩 샘.. 공감수 0 댓글수 0 2023. 10. 28.
혼자 공부하는 머신러닝+딥러닝 4장 4장 다양한 분류 알고리즘 4-1 로지스틱 회귀 로지스틱 회귀 ( logistic regression ) 회귀로 연속적인 결과를 시그모이드 함수로 표준화시켜서 특정값을 기준으로 나누어서 “분류"하는 것 선형 회귀와 동일하게 선형 방정식을 학습 z = a x ( weight ) + b x ( length ) + c x ( diagonal ) + d x ( height ) + e x ( width ) + f a, b, c, d, e 는 가중치/계수 z 는 0~ 1( 0% ~ 100%) 결과값 z를 그대로 사용하면 회귀가 되기 때문에 0~1 범위의 값으로 압축해 확률을 표현 z 값 압축에 사용되는 함수를 시그모이드 함수(=로지스틱 함수) import numpy as np import matlotlib.pypl.. 공감수 0 댓글수 0 2023. 10. 4.
혼자 공부하는 머신러닝 + 딥러닝 2장 2-2 데이터 전처리 numpy(넘파이) : 배열 라이브러리 import numpy as np #넘파이 라이브러리 임포트 - column_stack() : 전달 받은 리스트를 일렬로 세운 다음 차례대로 나란히 연결 후 tuple(튜플)로 전달 - np.ones() / np.zeros() : 각각 원하는 개수의 1,0을 채운 배열을 만들어줌 -np.concatenate() : 첫 번째 차원을 따라 배열을 연결하는 함수 >> 데이터가 클수록 파이썬 리스트는 비효율적이므로 넘파이 배열을 사용하는 게 좋음 사이킷런 : 머시러닝 모델을 위한 알고리즘뿐만 아니라 다양한 유틸리티 도구 제공 - train_test_split() : 전달되는 리스트나 배열을 비율에 맞게 훈련세트와 테스트 세트로 나눔 from sklea.. 공감수 0 댓글수 0 2023. 9. 14.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.