본문 바로가기
반응형
[CV] ResNet [출처]: Deep Residual Learning for Image Recognition "Deep Residual Learning for Image Recognition" 요약저자: Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun (Microsoft Research)초록:깊은 신경망의 훈련 어려움을 해결합니다.층 입력을 참조하여 잔여 함수를 학습하도록 층을 재구성하는 잔여 학습 프레임워크를 소개합니다.잔여 네트워크(ResNets)가 최적화하기 더 쉽고 깊이가 증가함에 따라 정확도가 높아짐을 입증합니다.ImageNet 데이터셋에서 최대 152층의 잔여 네트워크를 평가하여 3.57%의 오류율로 최첨단 성능을 달성했습니다.COCO 객체 탐지 데이터셋에서도 깊은 표현.. 2024. 6. 7.
[CV] VggNet [출처]: Very Deep Convolutional Networks for Large-Scale Image Recognition논문 요약: Very Deep Convolutional Networks for Large-Scale Image Recognition논문 제목: Very Deep Convolutional Networks for Large-Scale Image Recognition저자: Karen Simonyan, Andrew Zisserman발표된 학회: ICLR 2015요약이 논문은 대규모 이미지 인식을 위해 매우 깊은 컨볼루션 신경망(ConvNets)의 효과를 조사합니다. 저자들은 16~19개의 가중치 레이어를 가진 네트워크를 평가하여 네트워크 깊이가 정확도에 미치는 영향을 분석하였습니다. .. 2024. 6. 7.
[CV] AlexNet [출처]: ImageNet Classification with Deep Convolutional Neural Networks 주요 내용 요약: AlexNet 논문 (ImageNet Classification with Deep Convolutional Neural Networks)저자: Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton1. 개요AlexNet은 ImageNet LSVRC-2010 콘테스트의 1.2백만 개의 고해상도 이미지를 1000개의 클래스에 분류하기 위해 개발된 대형 심층 합성곱 신경망(CNN)입니다.테스트 데이터에서 top-1 오류율 37.5%, top-5 오류율 17.0%를 달성했으며, 이는 이전 최첨단 기술보다 훨씬 우수한 성능입니다.이 신.. 2024. 6. 7.
[CV] LeNet-5 [출처]: GradientBased Learning Applied to Document Recognition LeNet-5 논문은 Yann LeCun 등 여러 연구자가 1998년에 발표한 논문으로, 손글씨 숫자 인식을 위한 합성곱 신경망(Convolutional Neural Network, CNN)의 아키텍처를 제안합니다. 이 논문은 합성곱 신경망을 통해 이미지 인식 문제를 해결하는 방법을 제시하며, LeNet-5는 특히 손글씨 숫자 인식에서 큰 성과를 보였습니다.주요 내용 요약배경 및 목적: 전통적인 패턴 인식 기법은 주로 특징 추출과 분류 단계를 분리하여 수행했습니다. 하지만 LeCun 등은 자동으로 특징을 학습하고 분류하는 신경망을 제안했습니다.LeNet-5 아키텍처:입력층: 32x32 픽셀의 이미.. 2024. 6. 7.
[생성 AI] 추가 학습 목록 생성 모델을 마스터한 후 다음으로 공부할 주제는 딥러닝과 인공지능 분야에서 다음과 같은 고급 주제들을 고려해 볼 수 있습니다:1. 강화학습 (Reinforcement Learning, RL)기본 개념: MDP (Markov Decision Process), 정책, 가치 함수, 보상, Q-러닝, SARSA.고급 주제: 딥 Q-러닝 (DQN), 정책 경사 방법 (Policy Gradient), Actor-Critic 방법, 강화학습을 통한 게임 플레이 (e.g., AlphaGo).2. 자연어 처리 (Natural Language Processing, NLP)기본 개념: 토큰화, 어휘사전, 문서 표현, 순환 신경망 (RNN), LSTM, GRU.고급 주제: 트랜스포머 (Transformer), BERT, GP.. 2024. 6. 5.
[생성 AI] 생성모델 커리큘럼 생성 모델 강의 계획안강의 개요강의 제목: 생성 모델의 이해와 응용강의 목표: 생성 모델의 기본 개념을 이해하고, 다양한 생성 모델의 구조와 원리를 학습하며, 실습을 통해 직접 생성 모델을 구현해 보는 것을 목표로 한다.대상: 머신러닝 기초를 이해하고 있는 대학생 및 관련 종사자강의 기간: 12주 (주 1회, 회당 2시간)강의 일정 및 내용주차주제내용실습/과제1주차생성 모델 개요생성 모델의 정의와 역사, 주요 응용 분야논문 읽기: Generative Adversarial Networks (GANs) 원본 논문2주차확률적 생성 모델확률적 모델의 기본 개념, Gaussian Mixture Model (GMM), Hidden Markov Model (HMM)GMM을 이용한 데이터 클러스터링 실습3주차Varia.. 2024. 6. 5.
[방법론] 인공지능 논문 읽기 1. 초록(Abstract) 및 결론(Conclusion) 읽기초록: 논문의 핵심 요약을 제공합니다. 연구의 목적, 방법, 주요 결과 및 결론이 간략히 설명되어 있습니다.결론: 연구의 주요 발견과 의의를 파악할 수 있습니다. 연구 결과가 어떤 의미를 가지는지, 그리고 연구의 한계와 미래 연구 방향을 이해하는 데 도움이 됩니다.2. 서론(Introduction) 읽기연구의 배경과 동기, 문제 정의, 연구 목표 등을 설명합니다. 이 부분을 통해 연구가 왜 중요한지, 어떤 문제를 해결하려고 하는지 이해할 수 있습니다.3. 관련 연구(Background or Related Work)현재 연구와 관련된 기존 연구를 설명합니다. 관련 연구를 통해 현재 논문이 어떤 공백을 메우려고 하는지 알 수 있습니다.4. 방법(.. 2024. 5. 31.
[MMDetection] 4주차: 모델 평가 및 시각화 강의 목표학습된 모델을 평가하고, 결과를 분석하는 방법을 이해한다.객체 검출 결과를 시각화하는 방법을 학습한다.강의 구성9강: 모델 평가 (45분)내용학습된 모델의 평가 방법 소개주요 평가 지표 설명 (mAP, Precision, Recall 등)평가 스크립트 사용 방법활동평가 스크립트 실행 예제 탐색Q&A 시간10강: 결과 시각화 (45분)내용객체 검출 결과를 시각화하는 방법 소개inference_detector 및 show_result_pyplot 함수 사용법결과 시각화 시 발생할 수 있는 문제와 해결 방법활동시각화 예제 코드 탐색Q&A 시간11강: 프로젝트 실습 (60분)내용개인 또는 팀 프로젝트 주제 선정데이터셋 준비, 모델 설정 및 학습, 평가 및 시각화 전 과정 실습활동프로젝트 계획서 작성팀별.. 2024. 5. 31.
[MMDetection] 3주차: 모델 설정 및 학습 강의 목표MMDetection 설정 파일의 구조를 이해한다.다양한 객체 검출 모델을 설정하고 학습하는 방법을 학습한다.강의 구성6강: 설정 파일 이해 (45분)내용MMDetection 설정 파일의 구조와 주요 구성 요소 설명모델 설정, 데이터 설정, 학습 하이퍼파라미터 등 주요 항목 설명설정 파일 수정 방법활동설정 파일 예제 탐색Q&A 시간7강: 모델 선택 (45분)내용다양한 모델 아키텍처 소개 (Faster R-CNN, Mask R-CNN, RetinaNet 등)각 모델의 특징 및 적용 사례 설명프로젝트에 적합한 모델 선택 방법활동각 모델의 논문 읽기 및 이해모델 선택 실습8강: 학습 설정 및 실행 (60분)내용설정 파일 수정 및 학습 준비학습 스크립트 실행 및 로그 분석학습 과정 모니터링 및 문제 해.. 2024. 5. 31.
[MMDetection] 2주차: 데이터 준비 강의 목표객체 검출에 사용되는 주요 데이터셋을 이해한다.COCO 데이터셋을 다운로드하고 전처리하는 방법을 학습한다.강의 구성4강: 데이터셋 이해 (45분)내용객체 검출에 사용되는 주요 데이터셋 소개 (COCO, VOC, Cityscapes 등)각 데이터셋의 구조와 어노테이션 형식 설명데이터셋 선택 기준 및 용도활동각 데이터셋의 예시 이미지 및 어노테이션 파일 탐색Q&A 시간5강: COCO 데이터셋 준비 (75분)내용COCO 데이터셋의 구성 및 다운로드 방법 설명데이터셋 디렉토리 구조 설정COCO 데이터셋 전처리 및 변환활동실습: COCO 데이터셋 다운로드 및 디렉토리 구조 설정실습: 데이터셋 전처리 스크립트 작성 및 실행강의 자료4강 자료슬라이드: 주요 객체 검출 데이터셋 소개 및 구조 설명자료: 데이터.. 2024. 5. 31.
반응형

티스토리툴바