미래기술연구소

새로운 object detection 방식인 YOLO에 대해서 알아보도록할게요. 자세히 보시고 Faster RCNN과 어떤차이가 있는지 살펴보시면 좋을거 같아요! 1) Low FPS Faster RCNN 논문에서 언급된 fps 성능은 5fps에요. Detection 성능인 mAP는 높은 수준을 유지하고 있지만 낮은 fps 성능 때문에 real-time (30fps) 수준에 한참 미치지 못하는 결과를 볼 수 있었어요. Faster RCNN의 순서도를 보면 아래와 같다고 할 수 있는데요. classification을 하려면 RoI를 먼저 선행되어야 한다는 단점이 있어요. 그러다보니 'detection 성능은 조금 떨어뜨리더라도 높은 fps 성능을 갖는 object detection 모델을 구현해볼 수 없을까..

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..

데이터 입력 후 수식까지 자유롭게 걸어준다 sheet 외부 ppt 면적을 클릭하게 되면 창을 빠져나올수 있다

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..

github.com/opencv/opencv/releases Releases · opencv/opencv Open Source Computer Vision Library. Contribute to opencv/opencv development by creating an account on GitHub. github.com Visual Studio 용 OpenCV 4.5.0 패키지를 다운로드 받는다 실행 설치가 끝나면 같은 디렉토리에 opencv 폴더가 생성이 됨 폴더이름 변경 opencv-4.5.0 폴더를 C 드라이브로 옮긴다 소스파일 경로에 추가해서 사용

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..