computer vision16 딥러닝 인공신경망 인공신경망 인공신경망은 사람들의 뇌에있는 뉴런을 수학적으로 모델링을 한것인데 사람들의 뉴런이 자극을받으면 그것에대한 정보가 세포체에 저장되다가 자신의 수용용량을 넘어서면 외부로 출력값을 내보내는것처럼 인공신경망은 여러 입력값을 받아서 일정 수준이 넘어서면 활성화가되어 출력값을 내보낸다. 손실 함수의 값을 최소화하는 매개변수(가중치=w)를 찾는것이 신경망의 학습이다. Backpropagation은 인공신경망을 학습시키기 위한 일반적인 알고리즘 중 하나이다. 한국말로 직역하면 역전파라는 뜻인데, 내가 뽑고자 하는 target값과 실제 모델이 계산한 output이 얼마나 차이가 나는지 구한 후 그 오차값을 다시 뒤로 전파해가면서 각 노드가 가지고 있는 변수들을 갱신하는 알고리즘인 것이다. 시그모이드 함수의 출.. 2023. 3. 3. 이미지넷 챌린지 이미지넷 첼린지는 1000개의 이미지 클래스를 분류하는 이미지인식 경진대회이다. 여기에서 우승한 알고리즘들이 컴퓨터 비전분야의 발전에 큰 역할을 해 왔다. 2014년에 GoogleNet이1등을하고 VGGNet이 2등을 했는데 VGGNet이 모델이 GoogleNet보다 훨씬 간결해서 각광받은 모델이다. 2015년부터 사람의 능력보다 훨씬 더 좋은 성능을 보여주어서 2017년도 이후로는 대회가 사라졌다. 2023. 3. 3. Neural Network CNN input에서 필터크기만큼 두칸씩 이동할건지 정할 수 있습니다.(이 값을 stride라고 합니다.) 이를 통해 이미지의 feature map을 만들 수 있습니다. filter(kernel)의 구성에 따라 이미지의 특징을 뽑을수있습니다.(필터의 크기는 3x3으로 하는것을 추천) zero padding이란 image 주위를 0으로 둘러주는 과정을 말한다. 딥러닝을 할때 항상 input과 output의 데이터 사이즈를 잘 알아야 모델을 잘 만들 수 있다. padding이 필요한이유 1. 이미지 데이터의 축소를 막기위해서 필요하다. convolution layer에서 필터에 들어갈때 input data가 필터에의해 이미지가 축소가된다. cnn과정에서 여러번의 계산을 하게되는데 계산을 하면할수록 이미지가 계속 작.. 2023. 3. 3. 머신러닝과 딥러닝 머신러닝 : 인공지능에 속해 있는 머신러닝은 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야입니다. 사람이 학습할 데이터를 직접 제공하지만 더 나은 예측을 위해 알고리즘을 통해 일일이 명시하지 않은 동작도 학습하고 실행합니다. 딥러닝 : 인공신경망을 사용하여 머신러닝 학습을 수행하는 것입니다. 사람이 학습할 데이터를 직접 제공하지 않아도 스스로 학습하고 예측합니다. 딥러닝을 사용할때에는 다양한 데이터의 종류와 레이블링이 필요합니다. 딥러닝은 엄청난 수의 데이터를 학습하고 모델의 성능을 향상시키는데 적은 데이터를 가지고있다면 딥러닝의 성능이 떨어집니다. 머신러닝은 학습하는 데이터를 전처리를 통해 수동적으로 제공할 수 가있으므로 적은데이터를 가지고있다면 딥러닝보다 머신러닝이 보다 효율적이라고.. 2023. 3. 1. 이전 1 2 3 4 다음
