공부중

Context (컨텍스트)컴퓨터 비전과 머신 러닝에서 "컨텍스트"는 이미지 내의 객체나 픽셀 주변의 정보를 의미합니다. 이 정보는 주변 픽셀, 색상, 텍스처, 형태 등이 포함되어 있으며, 이미지에서 특정 객체나 지역을 이해하거나 분류하는 데 사용됩니다. 컨텍스트 정보는 이미지의 전역적인 이해를 돕고, 더 정확한 의미 분석을 가능하게 합니다.  Atrous Convolution (확장 컨볼루션)"Atrous convolution"은 컨볼루션 필터를 특정 간격으로 확장하여 적용하는 기술입니다. 이 방식은 기존 컨볼루션 연산에 비해 더 넓은 수용 영역(receptive field)을 갖게 되어 이미지의 더 넓은 범위의 정보를 한 번에 처리할 수 있습니다. 이는 특히 이미지의 큰 구조를 파악하거나, 세밀한 텍스..

1.  Descent (하강): 일반적으로 'gradient descent' (경사 하강법)과 같은 맥락에서 사용되는 용어로, 최소화하고자 하는 함수의 기울기(경사)를 따라 하강하여 최소값을 찾는 과정을 나타냅니다.Saddle Point (안장점): 함수의 특정 지점에서, 이 지점이 어떤 방향에서는 최소점이지만 다른 방향에서는 최대점인 포인트를 의미합니다. 신경망에서는 최적화 과정 중 이러한 포인트에서 매개변수가 갇히는 것을 피해야 합니다.Optimization (최적화): 신경망에서는 손실 함수의 값을 최소화하는 매개변수의 값을 찾는 과정을 의미합니다. 이 과정은 다양한 최적화 기법을 통해 수행되며, 학습의 핵심 과정입니다.Xavier (자비에 초기화): 신경망의 가중치를 초기화하는 방법 중 하나로, ..

대표적인 영상 분석 기법 - 이미지 분류 (image classification)- 이미지 객체 인식 (image object detection)- 이미지 분할 (image segmentation) 1. 이미지 분류 (image classification)어떤 이미지 영상이 있을때 이 영상이 어느 카테고리로 분류되는지 확률적으로 계산. 객체인식과 다르게 해당 프레임이 어느 분류에 속하는지를 판단.  2.  이미지 객체 인식 (image object detection)특정 대상을 객체별로 인식해 그 위치를 바운딩 박스로 그려서 나타냄. 바운딩 박스는 x, y, h, w로 이루어짐. 분류의 경우 고양이일 확률이 97%로 표현되는 반면, 객체인식은 결과값이 클래스와 바운딩 박스, 신뢰도 값으로 이루어진 벡터임..

코랩 프로는 아직 한국을 지원하지 않으므로 미국 주소만 입력이 가능함. ㅍㅍ  애플 주소 입력했네... 95014-2083 ...9.9달러... 13580원...  비싸구만..  결제 정보는 메일에서 확인이 가능한다.   미국은 저녁 9시인가 보구만.. (현재 오후 1시)  한달만 사용할거니까 구독 취소까지 진행한다.  payments.google.com 여기서 구독 정보 확인   하는김에 결제 정보도 삭제 하려고 했는데,, 아직 코랩 사용중이라 카드 삭제를 못하나...;;나중에 삭제가 안되네..코랩 결제 전일때는 순서가 이랬는데 결제한 다음에는 이렇게 바뀌었다.   멍때리다가 A100 사용할 뻔... A100 : 약 8.5시간 (시스템 RAM 약 83GB, GPU RAM 약 40GB)L4 : 약 20시..

fit( x=None, y=None, batch_size=None, epochs=1, verbose='auto', callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None, validation_batch_size=None, validation_freq=1, max_queue_size=10, workers=1, use_multiprocessing=False ) 고정된 수의 에포크(데이터 세트 반복) 동안 모델을 학습합니다. 인수 x 입력 데이터. 그것은 수..

layers.Conv1D 는 1차원 입력에 대해 합성곱 연산을 수행하는 레이어이다. 이 레이어는 주로 시계열 데이터나 텍스트 데이터와 같이 1차원 구조를 가진 데이터에 사용된다. 1. Conv1D 레이어의 주요 매개변수 filters: 필터(또는 커널)의 수입니다. 이는 레이어가 학습할 특성의 수를 결정합니다. 각 필터는 입력 데이터의 다른 특성을 추출합니다. kernel_size: 한 번에 입력 데이터에 적용되는 필터의 크기입니다. 예를 들어, **kernel_size=3**이면, 한 번에 3개의 연속 데이터 포인트를 볼 수 있습니다. strides: 필터가 입력 데이터를 가로질러 이동하는 간격입니다. 예를 들어, **strides=2**는 필터가 한 번에 두 데이터 포인트를 건너뛴다는 것을 의미합니다..