Dive into DEV

14,000장 정도의 이미지를 6가지 클래스로 분류하는 작업 캐글 Kernel에 올라온 자료 중 하나 정리해보기 1. 필요 함수 정의 def get_image() 이미지를 가져와서 라벨에 따라 숫자를 부여하는 ex) 'sea' 라벨을 가지고 있으면 4로 저장 def get_classlabel() 역으로 class_code를 받아 어떤 클래스인지 알려주는 함수 ex) 4라는 숫자가 들어왔을 때 'sea'로 반환 2. Images와 Labels를 배열 형태로 바꾸기 3. Image와 Label Shape 확인해보기 150 x 150 사이즈의 컬러 이미지 14034장으로 확인 4. 이미지 출력해서 확인해보기 임의의 이미지와 해당하는 라벨 출력하기 mountain, forest, glacier 등 다양한 클래스..

Fully-Connected Layer 완전연결층 Affine - ReLU - Affine - ReLU - Affine - Softmax CNN(Convolutional Neural Network) 완전 연결 신경망에서는 Affine층 뒤에 활성화함수 ReLU로 마지막 Layer 부분에는 활성화함수 소프트맥스로 최종 결과를 출력합니다. 반면, CNN은 Conv층과 Pooling층이 추가되었습니다. 마지막에는 Affine - ReLU와 Affie - Sofrmax 조합이 그대로 사용됩니다. Fully Connected Layer는 1차원(배열) 형태로 한정되는데, 한 장의 컬러사진은 3차원 데이터입니다. Fully Connected로 학습시킬 경우, 3차원의 이미지를 1차원으로 평면화 시켜야하는데 이 과정..

이 글은 다음 블로그(라온피플)를 보고 정리하며 공부한 내용입니다. https://laonple.blog.me/220608018546 [Part Ⅳ. CNN] 3. CNN의 구조 - 라온피플 머신러닝 아카데미 - Part I. Machine Learning Part V. Best CNN Architecture Part VII. Semantic ... blog.naver.com CNN의 구조와 처리 과정 Input - Feature Extraction - Shift and distortion invariance - Classification - Output 인풋 이미지 - 특징 추출 - topology 변화에 영향을 받지 않도록 하는 단계 - 분류기 - 아웃풋 CNN에 특징을 추출하는 단계가 포함되어 있어..

Faster R-CNN은 영상 안의 여러 사물을 한꺼번에 분류하고, 데이터 학습에 따라 겹쳐있는 부분들까지도 정확하게 사물들을 분류해낼 수 있다. Architecture 모델의 구조는 두 개의 네트워크로 구성된다. Deep Convolution Network로서 Region Proposal Network Faster R-CNN Detector로서 앞의 proposed regions를 사용하여 객체 감지 이 두 모듈은 전체적으로 하나의 object detection network라고 볼 수 있음 Input Images 높이*너비*깊이를 가지고 있는 텐서이다. (RGB 이미지) Base Network (Shared Network) Name Meaning 이전 R-CNN에서는 Region proposal을 하..

U-Net은 biomedical image segmentation을 하기 위해 개발된 네트워크이다. 이 Network는 FCN(Fully Convolutional Network)을 기반으로 한다. 더 적은 양의 training image들로 더 정확한 segmentation이 가능하게끔 변경되고 확장되었다. 512 x 512 image segmentation이 modern GPU에서 1초가 채 걸리지 않는다고 한다. 전체적으로 Contracting path(축소)와 Expansive path(확장)로 구성된 대칭구조이고 U자 모양을 한다. Contracting path에는 ReLU와 Maxpooling이 반복되는 전형적인 convolution이 있다. Contraction을 하는동안, feature in..