전체 글 (68) 썸네일형 리스트형 Fast R-CNN Fast R-CNN은 기존에 R-CNN의 단점들을 보완한 모델입니다. Fast R-CNN은 크게 3가지를 개선했습니다. 첫 번째, Fast inference 기존에 R-CNN은 Region Proposal(Selective Search)를 사용해서 Object가 있을 것이라고 추정되는 2천 개에 영역들을 CNN 네트워크에 입력으로 넣어서 학습을 했습니다. 따라서 영상 1개가 입력으로 CNN 네트워크를 통과하는 시간이 오래 걸리기 때문에 학습을 수행하는 시간도 오래 걸리지만, 영상 1개에 대한 Inference 시에도 Region Proposal을 사용해서 Object가 있을 만한 영역을 2천 개가량 추출해서 네트워크를 통과하기 때문에 Inference 시에도 많은 시간이 걸리게 됩니다. 따라서 Fast .. 리눅스 심볼릭 링크 sudo apt-get update -y sudo apt-get install -y symlinks ln -s [원본 파일 및 폴더] [링크 위치] 링크 해제: 삭제 rm 명령어로 링크 폴더를 지우면 된다 !! docker에서 특정 GPU 메모리만 비워야 할 때, 사용 ps aux | grep python ps -ef | grep python → 깰끔하게 보임 ps -u | grep python → 이것도 깰끔하게 보임 docker에서 현재 실행중인 python 목록들을 보여주고, 해당 pid를 이용해서 메모리를 비울 수 있음. sudo kill -9 4894 public key error W: GPG 오류: http://us.archive.ubuntu.com/ubuntu bionic-backports InRelease: Couldn't create temporary file /tmp/apt.conf.rVavhs for passing config to apt-key E: The repository 'http://us.archive.ubuntu.com/ubuntu bionic-backports InRelease' is not signed. N: Updating from such a repository can't be done securely, and is therefore disabled by default. N: See apt-secure(8) manpage for repository cr.. R-CNN 우선, R-CNN에 대해서 말하기 전에 객체 탐지란 무엇인지 알아보겠습니다. 객체 탐지란 컴퓨터 비전과 이미지 처리와 관련된 컴퓨터 기술이며, 이는 디지털 이미지와 비디오의 특정한 계열의 시맨틱 한 객체의 인스턴스를 감지하는 것입니다. 객체 탐지의 분야로는 얼굴 검출, 보행자 검출 등의 분야가 있습니다. 이미지 인식 분야는 크게 Classification, Localization, Object Detection, Instance Segmentation으로 나누어 집니다. 여기서 Classification과 Localization의 경우, 이미지 내에 1개의 Object가 있을 경우에 객체 인식에 해당되며, 여러 Object가 있을 경우 Object Detection, Instance Segmentatio.. 확률 밀도 함수 추정 및 샘플링 확률 분포의 추정 X 1 2 3 4 5 6 P(X) 1/6 1/6 1/6 0/6 1/6 2/6 여기서 X는 주사위 눈 꿈이고, 여기서 P(X)는 해당 눈 꿈이 나온 횟수에서 총 던진 횟수를 나눈 것입니다. 따라서 X는 획률 변수가 되면, P(X)는 X 확률 질량 함수가 되고, 다음과 같은 분포를 가집니다. 만약, x가 학습 데이터 내의 실제 이미지 였다면 .. ? 해당 x를 P(X) 함수에 입력으로 주었다면, 이때 이미지 x는 64 x 64 x 3과 같은 차원을 갖는 고차원에 벡터로 표현될 수 있습니다. 만약 위의 그래프가 어떤 데이터 셋으로 부터 얻은 확률 분포라면, 해당 고차원의 분포에서 x = 40, y = 20 이라는 값을 추정하게 된다면, x = 40, y = 20에 해당하는 추정된 확률 값을 .. 인식 태스크의 다양한 방법들과 생성 태스크의 활용 가치 인식 태스크 Image Label Image Classification Object Detection and Localization Sementic Segmentation, Instance Segmentation, Panoptic Segmentation Face Detection, Recognition, identification Landmark Detection, KeyPoint estimation Data Augmentation techniques Knowledge distillation, lightweight low-power model Video Level Video Object Tracking Action Recognition 인식 태스크는 위와 같이 다양한 방법들이 존재합니다. 위의 방법들 중.. 인식 모델과 생성 및 변환 모델의 차이 컴퓨터 비전 분야는 인식 태스크와 생성 태스크로 나뉘게 됩니다. 인식 태스크 인식 태스크는 예측할 변수의 형태 즉, 번주형 변수인지 연속형 변수인지에 따라서 분류 모델과 회귀 모델로 나뉩니다. 생성 태스크 생성 태스크는 순수 생성과 조건부 생성으로 나뉘는데, 조건부 생성의 경우 특정 조건을 입력으로 주게 되면, 해당 조건에 맞는 이미지를 생성하는 태스크입니다. 과거에는 인식 태스크의 연구가 많은 연구가 되어 왔으나, 현재는 생성 및 변환 태스크가 활발하게 연구되고 있습니다. 인식 태스크 : 분류 모델 다음과 같이 꽃 이미지와 꽃의 종류를 나타내는 데이터 셋이 있다고 가정해보자. 해당 이미지 데이터 셋을 학습시켜 분류 모델을 학습시켜서, 새로운 이미지가 입력으로 주어 졌을 때, 해당 이미지의 꽃의 종류 인.. 이전 1 ··· 5 6 7 8 9 다음
