미래기술연구소

import numpy as np import cv2 cap = cv2.VideoCapture(0) print(cap.get(3), cap.get(4)) ret = cap.set(3,320) ret = cap.set(4,240) while(True): ret, frame = cap.read() gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) cv2.imshow('frame', gray) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() 4번 코드에서 첫번째(0) 카메라를 VideoCapture 타입의 객체로 얻어옵니다. 6번은 이 카메라의 영상에 대한..

Convolution 연산을 수행하기 전, 입력데이터 주변을 특정값( 0 또는 1 ) 으로 채워 늘리는 것을 말한다. Convolution 연산을 수행하면 shape이 줄어드는 단점을 방지하기 위해 자주 사용되는 방법 •Filter(Kernel)이 한번 Convolution 연산을 수행한 후 옆 혹은 아래로 얼마나 이동할 것인가 •Stride=2: 한 번에 two fixel 단위로 이동 (feature map의 너비와 높이가 2배수로 다운샘플링 되었음을 의미) 출력 데이터의 크기를 조절하기 위해 사용 Stride는 값을 크게 주면 이동 간격이 넓어져 출력 데이터의 크기가 작아진다 보통 1과 같이 작은 값이 더 잘 작동하며, Stride가 1일 경우 입력 데이터의 spatial 크기는 pooling 계층에..

YOLO 코드 분석 import sys import numpy as np import cv2 # Darknet model & config model = 'yolov3.weights' config = 'yolov3.cfg' class_labels = 'coco.names' confThreshold = 0.5 nmsThreshold = 0.4 # Test image file img_files = ['dog.jpg', 'person.jpg', 'kite.jpg', 'car2.jpg', 'dog_1.jpg','car.jpg', 'person1.jpg','person2.jpg' ] # Network creation ( readNet을 사용해서 파일링 ) net = cv2.dnn.readNet(model, conf..

수업 도중 Correlation 을 언급을 하셔서 헷갈려서 찾아봄 아침부터 빡공 1. Convolution - 하나의 함수와 또다른 함수를 반전 이동한 값을 곱한 다음 구간에 대해 적분하여 새로운 함수를 구하는 수학 연산자 - 표현식 - 그래프상에서 해석 - 응용 시스템 해석 임펄스 응답 Digital & Analogue Filter 해석 2. 상관함수(Correlation Function) - 신호간에 유사성 정도를 나타내는 함수 - 자기상관(Auto-correlation): 시간/주파수 축 상으로 이동된 자기 자신과의 상관성을 나타냄 - 상호상관(Cross-correlation): 서로 다른 신호간에 상관성을 나타냄 - 표현식 - 그래프 상에서 해석 - 상관함수의 푸리에 변환은 전력에 관한 주파수 스..

Object Detection이란 · 여러 물체에 대해 어떤 물체인지 분류하는 Classification 문제와 그 물체가 어디 있는지 박스를 통해 (Bounding box) 위치 정보를 나타내는 Localization 문제를 둘 다 해내야 하는 분야 · Object Detection = 여러가지 물체에 대한 Classification + 물체의 위치정보를 파악하는 Localization [ Object Detection = Multi-Labeled Classification + Bounding Box Regression(Localization) ] One stage Detector : Localization / Classification 을 동시에 처리 YOLO / SSD / RetinaNet 비교적 ..

cnn 재수강하다가 포기하고 다시 기본으로 돌아옴 필터링 ▪ 영상의 필터링(image filtering) • 영상에서 필요한 정보만 통과시키고 원치 않는 정보는 걸러내는 작업 ▪ 주파수 공간에서의 필터링 (Frequency domain filtering) ▪ 공간적 필터링 (Spatial domain filtering) • 영상의 픽셀 값을 직접 이용하는 필터링 방법 ▪ 대상 좌표의 픽셀 값과 주변 픽셀 값을 동시에 사용 • 주로 마스크(mask) 연산을 이용함 (마스크 = 커널(kernel) = 윈도우(window) = 템플릿(template)) ▪ 다양한 모양과 크기의 마스크 ▪ 마스크의 형태와 값에 따라 필터의 역할이 결정됨 • 영상 부드럽게 만들기 • 영상 날카롭게 만들기 • 에지(edge) 검출..

CNN 이 이해가 안되서 한번 더 재수강 한다 pooling layer 에 대한 명확한 개념정리가 필요해보임 Pooling Layers - CNN을 구성하는데 필요한 중간, 최종 레이어에 대해 알아보자. - Pooling layer 라 부르는 이 레이어는 주로 콘볼루션 레이어를 input으로 받아들인다. - 콘볼루션 레이어는 각 필터당 하나의 feature map이 형성되고, 그 feature map을 스택처럼 쌓아둔 것이다. - 많은 object 카테고리가 존재하는 복잡한 데이터셋을 가지고 CNN을 구현해 내는경우 - 매우 많은 수의 필터를 필요로 하는데, 각각은 이미지의 패턴을 찾아내는데에 사용된다. - 필터가 많다는 얘기는 그만큼 feature map들이 쌓이게 된다는것이고 이것은 - 우리가 구현할..

힘들다 후 ㅜ 대인기피증 생기겟음 OpenCV DNN(Deep Neural Network) 모듈 • 미리 학습된 딥러닝 모델을 이용하여 실행(forward pass, inference) 하는 기능 • 학습은 지원하지 않음 • OpenCV 3.3 버전부터 기본 기능으로 제공 • OpenCV 4.3 버전부터 GPU(CUDA) 지원 (소스 코드 직접 빌드 필요) • 참고: https://github.com/opencv/opencv/wiki/Deep-Learning-in-OpenCV ▪ 지원하는 딥러닝 프레임워크 OpenCV DNN 모듈 ▪ 검증된 딥러닝 네트워크 OpenCV DNN API ▪ 네트워크 불러오기 • model: 훈련된 가중치를 저장하고 있는 이진 파일 이름 • config: 네트워크 구성을 저장..

딥러닝 학습과 모델 파일 저장 ▪ Tensorflow로 필기체 숫자 인식 학습하기 • OpenCV DNN 모듈에서 이용할 목적으로 TensorFlow를 이용하여 필기체 숫자 인식을 학습하고, 그 결과를 pb 파일로 저장하기 • 네트워크 구조: [Conv-Pool-Conv-Pool-FC-FC-FC] • 학습 데이터: MNIST 데이터셋 ▪ Yann LeCun 교수가 필기체 숫자 인식을 위해 사용했던 데이터셋 ▪ 각각의 숫자는 28x28 크기의 0~1 사이의 실수값으로 구성된 영상 데이터 ▪ 60,000개의 훈련용 영상과 10,000개의 테스트 영상 ▪ 준비 사항 • Tensorflow 1.13.1 설치 pip install tensorflow==1.13.1 ▪ Tensorflow MNIST 학습: 네트워크..

30일 남았다... 시간 진짜 빨리감 강제로 보게 되서 좋긴 좋네 허허.. 오늘은 cnn 컨볼루션 신경망: CNN ▪ 컨볼루션 신경망(CNN: Convolutional Neural Network) • 영상 인식 등을 위한 딥러닝에 특화된 네트워크 구조 • 일반적 구성: 컨볼루션(convolution) + 풀링(pooling) + … + 완전 연결 레이어(FC) ▪ 컨볼루션 레이어(Convolution Layer) • 2차원 영상에서 유효한 특징(feature)를 찾아내는 역할 • 유용한 필터 마스크가 학습에 의해 결정됨 • 보통 ReLU 활성화 함수를 함께 사용함 ▪ 풀링 레이어(Pooling Layer) • 유용한 정보는 유지하면서 입력 크기를 줄임으로써 과적합(overfitting)을 예방하고 계산량..