GAN (3) 썸네일형 리스트형 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 다음
