Data Science/ML & DL (22) 썸네일형 리스트형 [논문리뷰/CV] YOLO(You Only Look Once: Unified, Real-Time Object Detection) 객체 탐지 모델 YOLO You Only Look Once: Unified, Real-Time Object Detection 논문을 리뷰한 게시글 입니다 1. 소개 1.1 Two-Stage Detector vs One-Stage Detector regional proposal과 classification이 순차적으로 이루어짐. classification과 localization문제를 순차적으로 해결 E.G, R-CNN계열 (R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN ...) regional proposal와 classification이 동시에 이루어짐 즉, classification과 localization문제를 동시에 해결하는 방법 E.G, YOLO 계열, SSD 계.. [논문리뷰/CV] Faster R-CNN 모델 (R-CNN, Fast R-CNN과 비교) Computer Vision모델 중 Faster R-CNN 모델의 논문 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks를 리뷰한 게시글입니다. #FBF977 ✅Summary Intro Faster R-CNN은 고전적인 객체 탐지 시스템에서 속도의 병목 현상(Selective search알고리즘을 통해 regeion proposals를 추출하기 때문에 발생)을 해결하기 위해 개발된 객체 탐지 프레임워크이다. 이 방법은 이미지 내 객체의 위치를 가정하는 지역 제안(region proposal) 알고리즘의 계산 부담을 줄일 수 있었다. Faster R-CNN은 지역 제안 네트워크(Region Proposal Netwo.. [논문리뷰] GPT-1 : Improving Language understanding by Generative pre-Training (2018년) GPT-1은 OpenAI에서 Improving Language understandingby Generative pre-Training (2018년) 논문에서 공개된 Transformer의 decorder만 활용한 자연어 모델입니다. 해당 글은 이 논문의 리뷰입니다. 논문 원문 : GPT-1 (https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf) 1 Introduction 1. 첫 번째 섹션 : 기존의 자연어 처리 방법, 그것들이 겪는 주요한 문제점들에 대해 논의 - 기존 모델들의 제한된 문맥 이해와 처리 능력, 그리고 복잡한 작업에 대한 어려움.. [논문 리뷰] Sequence to Sequence Learning with Neural Networks(Seq2Seq) (2014) NLP논문 Sequence to Sequence Learning with Neural Networks 논문을 읽고 정리한 내용입니다 1. Introduction 심층 신경망(DNNs)은 음성 인식 및 시각 객체 인식과 같은 어려운 문제에 대한 탁월한 성능을 달성하는 매우 강력한 기계 학습 모델 적은 수의 단계로 임의의 병렬 계산을 수행 예) 2개의 2차 크기의 숨겨진 레이어만 사용하여 N개의 N비트 숫자를 정렬할 수 있는 능력 신경망은 기존의 통계 모델과 관련이 있지만 복잡한 계산을 학습 벨이 지정된 교육 세트가 네트워크의 매개 변수를 명시하는 데 충분한 정보를 가지고 있을 때 큰 DNNs는 지도된 역전파를 사용하여 훈련 문제 : DNNs는 입력 및 대상이 고정 차원의 벡터로 합리적으로 인코딩 될 수있는.. [Module 4] 6.Ensemble | 머신러닝 모델을 동시에 사용하기 Ensemble Learning 이미 사용하고 있거나 개발한 알고리즘의 간단한 확장 Supervised learning task에서 성능을 올릴 수 있는 방법 Emsemble(함께, 동시에, 한꺼번에 협력하여 - 프랑스어 /소규모의 합주단 - 영어) => 머신러닝에서 알고리즘의 종류에 상관 없이 서로 다르거나, 같이 매커니즘으로 동작하는 다양한 머신러닝 모델을 묶어 함께 사용하는 방식 구조 1. 각 모델에 Data Set을 S1 ~SN까지 나눠서 학습을 진행 학습하는 Ensemble은 서로 다른 모델로 구성될 수 있지만 같은 학습모델로 구성될 수도 있음 그래서 같은 학습데이터로 학습하는 것을 지양해야함 2. 각각 학습을 진행한 다수의 모델의 다수결 Voting으로 예측결과를 제공 장점 예측 모델을 안정적.. Lv2. 결측치 보간법과 랜덤포레스트로 따릉이 데이터 예측하기 https://dacon.io/competitions/open/235698/overview/description [DACON_101] Lv.2 결측치 보간법과 랜덤포레스트로 따릉이 데이터 예측하기 를 공부하고 정리한 내용 서울시 따릉이 대여량 예측 경진대회 주어진 데이터를 바탕으로 따릉이 대여량을 예측하는 대회 링크 : https://dacon.io/competitions/open/235576/mysubmission 분류 : 정형, 알고리즘, 초급 data : 서울시 마포구의 날짜별, 시간별 기상상황과 따릉이 대여 수 데이터 id 고유 id hour 시간 temperature 기온 precipitation 비가 오지 않았으면 0, 비가 오면 1 windspeed 풍속(평균) humidity 습도 visi.. Lv1. 의사결정회귀나무로 따릉이 데이터 예측하기 https://dacon.io/competitions/open/235698/overview/description [DACON_101] Lv.1 의사결정회귀나무로 따릉이 데이터 예측하기를 공부하고 정리한 내용 우선, 데이터 다운로드 링크로 데이터를 코랩에 불러온다. !wget 'https://bit.ly/3gLj0Q6' import zipfile with zipfile.ZipFile('3gLj0Q6', 'r') as existing_zip: existing_zip.extractall('data') 모델을 학습시키는 과정은 EDA, 전처리, 모델링의 3단계를 거친다. 1단계 : EDA(Exploratory Data Analysis) 1. 라이브러리, 파일 불러오기 pandas라이브러리를 불러오고, data폴.. Segemntation | 개요 Segmentation 개요 - Segmentation(세분화)란 이미지에서 관심객체를 픽셀단위로 추출하는 것을 말한다. 관심객체가 이미지 어디에 있는 위치 뿐아니라 그 객체의 모양을 추출하고자 할때 방식이다. - 딥러닝의 발전과 함께 많은 성능향상이 이뤄진 분야 이다. 응용분야 자율주행 자동자 영상의학 Segmentation 종류 Semantic segmentation Instance segmentation Panoptic segmentation Category(범주)별로 분류하는 segmentation이다. - class분류 이미지내의 모든 픽셀(요소)에 대해서 class를 분류하는 것을 목표로 한다. (배경포함) 같은 class의 객체가 여러개 있을 경우에 각각을 구분하지 않는다. 객체별로 분류하는.. 이전 1 2 3 다음
