phj8498의 등록된 링크
phj8498로 등록된 네이버 블로그 포스트 수는 568건입니다.
go lang [내부링크]
http://golang.site/go/article/2-Go-%EC%84%A4%EC%B9%98%EC%99%80-Go-%ED%8E%B8%EC%A7%91%EA%B8%B0-%EC%86%8C%EA%B0%9C 예제로 배우는 Go 프로그래밍 - Go 설치와 Go 편집기 소개 Go 설치와 Go 편집기 소개 1. GO 설치 Go 프로그래밍을 시작하기 위해 Go 공식 웹사이트인 https://go.dev/dl/ 에서 해당 OS 버젼의 Go를 다운로드하여 설치한다. Go는 Windows, Linux, Mac OS X 에서 사용할 수 있다. 윈도우즈에 Go를 설치하기 위해서는 MSI (*.msi) 파일을 다운받아 실행하면 되는데, Go는 디폴트로 C:\go 폴더에 설치되며, MSI가 C:\go\bin을 PATH 환경변수를 추가한다. ( 주: 여기서는 별도의 언급이 없는 한 Windows에 설치된 Go를 기준으... golang.site 코테 고랭 튜토리얼(백준) 부분 먼저 풀어보기
텍스트 유사도(Text Similarity, Semantic Similarity) [내부링크]
아래 tfidf 방식 소스코드를 그대로 사용하면, 띄워쓰기에 따라 결과가 크게 차이나서 그대로 사용할 수 없다. https://forbetterdays.tistory.com/110 Text Similarity, Semantic Similarity 텍스트 유사도 코사인 유사도 (Cosine Similarity) -> 두 개의 벡터 값의 Cos 각도 유클리디언 유사도 (Euclidean Similarity) -> 두 개의 점 사이의 거리 = L2 거리 맨하탄 유사도 (Menhattan Similarity.. forbetterdays.tistory.com 텍스트 유사도 코사인 유사도 (Cosine Similarity) -> 두 개의 벡터 값의 Cos 각도 유클리디언 유사도 (Euclidean Similarity) -> 두 개의 점 사이의 거리 = L2 거리 맨하탄 유사도 (Menhattan Similarity) -> 사각 격자 최단 거리 = L1 거리 자카드 유사도 (Jaccard Sim
한국어 전처리 패키지 [내부링크]
https://wikidocs.net/92961 10) 한국어 전처리 패키지(Text Preprocessing Tools for Korean Text) 유용한 한국어 전처리 패키지를 정리해봅시다. 앞서 소개한 형태소와 문장 토크나이징 도구들인 KoNLPy와 KSS(Korean Sentence Splitter)와 함께 유용하 ... wikidocs.net 1. PyKoSpacing pip install git+https://github.com/haven-jeon/PyKoSpacing.git 전희원님이 개발한 PyKoSpacing은 띄어쓰기가 되어있지 않은 문장을 띄어쓰기를 한 문장으로 변환해주는 패키지입니다. PyKoSpacing은 대용량 코퍼스를 학습하여 만들어진 띄어쓰기 딥 러닝 모델로 준수한 성능을 가지고 있습니다. 2. Py-Hanspell pip install git+https://github.com/ssut/py-hanspell.git Py-Hanspell은 네이버 한글 맞
2022 AIoT 국제전시회 참관 후기 [내부링크]
#AIOT국제전시회 과학기술정보통신부에서 주최하고 한국지능형사물인터넷협회에서 주관하는 2022 AIoT 국제전시회에 다녀왔습니다. 장소는 코엑스 B홀입니다. 내용은 기억에 남았던 업체 위주로 정리하였습니다. (주)티허브 티허브는 2018년 설립한 스타트업으로 홀로렌즈2를 활용한 증강 현실(XR) 콘텐츠 교육 시스템을 전시하였습니다. 증강현실 장비를 착용하였을 때, 제가 생각했던 것만큼 선명하게 화면에 나오지 않아서 좀 아쉬웠습니다. 전시회에는 차량 정비 교육 컨텐츠만 볼 수 있었는데, 고객의 관리 물품을 디지털화하는 물자 관리 시스템도 있다고 하였습니다. 물자 관리 시스템을 눈으로 직접 확인해보지 못한 점은 많이 아쉬웠습니다. (주)이파피루스 이파피루스는 IoT 진동 센서 장비를 부착하여, 센서가 수집한 진동데이터를 AI가 분석하여 고장을 예측하는 솔루션을 제공하는 업체입니다. 사진에 보시면 검은색 사각형 센서 장비가 부착되어있는 것을 볼 수 있습니다. (주)스탠스 스탠스는 한컴인텔
mac os mecab 설치하기 [내부링크]
https://hwiyong.tistory.com/418 mac os mecab 설치하기 mecab 설치 관련 내용을 찾아본 결과, .tar 확장자를 다운받아 여러 가지를 직접 설치해주는 방법도 있지만 가장 편한 것은 아래 명령어를 쓰는 것입니다. 쉘에 그대로 복붙해주세요 bash hwiyong.tistory.com mecab 설치 관련 내용을 찾아본 결과, .tar 확장자를 다운받아 여러 가지를 직접 설치해주는 방법도 있지만 가장 편한 것은 아래 명령어를 쓰는 것입니다. 쉘에 그대로 복붙해주세요 bash <(curl -s https://raw.githubusercontent.com/konlpy/konlpy/master/scripts/mecab.sh) 만약, 에러가 난다면 brew upgrade zsh - 에러랑은 거의 무관하지만 zsh 쓴다는 가정하에 업그레이드를 한번 해주고 시작합니다 - 셀을 실행시켰을 때 dydl library not loded ~ 와 같은 에러 로그가 발생한
mecab 사용자 사전 추가하기 [내부링크]
https://edkoon35.github.io/2017/08/03/elasticsearch-seunjeon-user-dic/ mecab 사용자 사전 추가하기 Elasticsearch에서 사용할 mecab 사전을 추가해보자. 내용출처 edkoon35.github.io 내용출처 기존에 한번도 사용되지 않았던 새로운 가수가 앨범을 발매하게 되면 기존 형태소 분석을 통해서는 분석이 안되는 경우가 발생합니다. 이럴때는 사용자 사전에 미등록된 가수명을 등록해주면 분석이 잘 될것 같으니 추가해 보도록 하겠습니다. 사용자 사전 위치 # 플러그인 개발을 위해 생성된 경로 아래에서 실행 $ cd mecab-ko-dic/user-dic $ ll total 16 -rw-r--r-- 1 mba mba 70 Mar 1 2015 nnp.csv -rw-r--r-- 1 mba mba 40 Mar 1 2015 person.csv -rw-r--r-- 1 mba mba 166 Mar 1 2015 place.csv -
아호코라식 알고리즘 [내부링크]
https://ansohxxn.github.io/algorithm/ahocorasick/#2%EF%B8%8F%E2%83%A3-%EC%8B%A4%ED%8C%A8-%ED%95%A8%EC%88%98-%ED%8A%B8%EB%9D%BC%EC%9D%B4%EB%A5%BC-bfs-%EC%88%9C%ED%9A%8C%ED%95%98%EB%A9%B0-%EB%85%B8%EB%93%9C%EB%A7%88%EB%8B%A4-%EC%8B%A4%ED%8C%A8-%EB%A7%81%ED%81%AC-%EB%A7%8C%EB%93%A4%EC%96%B4%EC%A3%BC%EA%B8%B0 (C++) 문자열 검색 알고리즘 : 아호-코라식(Aho-Corasick) 알고리즘 서론 ansohxxn.github.io
python apt-get update 명령어 실행 [내부링크]
system.os에서는 안 먹힐때가 있다. # Shell Script 실행 명령어 subprocess.call('apt-get update', shell=True) subprocess.call('apt install default-jdk -y', shell=True)
proguard GUI tool을 이용한 난독화 적용 [내부링크]
https://m.blog.naver.com/PostView.naver?isHttpsRedirect=true&blogId=bl2019&logNo=10186480724 proguard GUI tool을 이용한 난독화 적용 proguard GUI tool을 이용한 난독화 적용 java로 프로그램을 개발하여 배포할 때 가장 신경... m.blog.naver.com proguard GUI tool을 이용한 난독화 적용 java로 프로그램을 개발하여 배포할 때 가장 신경이 쓰이는 부분 중 하나가 악의적인 사용자가 내가 배포한 프로그램을 디컴파일하여 가져다 쓰는 것일 겁니다. java에서는 이러한 문제를 해결해주기 위해 progaurd tool을 지원해주고 있습니다. 해당 글에서는 그 중 GUI를 지원하는 progaurd tool에 대해 설명해볼까 합니다. Part 1. apk 디컴파일 환경 구축 우선 난독화가 정상적으로 되었는지 확인 할 수 있는 디컴파일 환경을 구축해야 합니다. - jad
[논문리뷰] Robust Speech Recognition via Large-Scale Weak Supervision (Whisper) [내부링크]
https://kimjy99.github.io/%EB%85%BC%EB%AC%B8%EB%A6%AC%EB%B7%B0/whisper/ [논문리뷰] Robust Speech Recognition via Large-Scale Weak Supervision (Whisper) Whisper 논문 리뷰 kimjy99.github.io arXiv 2022. [Paper] [Page] [Github] Alec Radford, Jong Wook Kim, Tao Xu, Greg Brockman, Christine McLeavey, Ilya Sutskever Frank, Jesse Engel, Quoc V. Le, William Chan, Wei Han OpenAI 6 Dec 2022 Introduction 음성 인식의 발전은 Wav2Vec 2.0와 같은 unsupervised 사전 학습 기술의 개발에 의해 활성화되었다. 이러한 방법은 레이블이 지정되지 않은 오디오에서 직접 학습하기 때문에 레이블이 지정되
[논문 리뷰] wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations [내부링크]
ASR이란? 음성을 텍스트로 변환하는 것을 말한다. 전체 과정을 쉽게 설명하면, Handcraft Process와 Acustic Model 두 가지로 나뉜다. 1. Handcraft Process 음성 데이터에서 feature 추출 예시) Spectrogram 2. Acoustic Model 추출된 피쳐를 이용하는 모델 Deep Architecture : CNN, Transformer Encoder ASR모델은 지금까지 CPC : CNN+RNN -> Wav2vec : CNN + Causal CNN(RNN경량화용) -> VQ-Wav2vec : BERT+quantization 모듈 추가 -> Wave2vec2.0 -> Pushing ASR -> mSLAM, Maestro(google) -> whisper(openai)로 발전하고 있다. 오늘 리뷰할 Wav2vec2.0 모델은 Semi-Supervised 학습으로 성능을 향상시켰다. -> 대량의 Unlabled(음성) 데이터를 활용하여 P
Active Learning 이란? - 기본전략 [내부링크]
#ActiveLearning https://kmhana.tistory.com/5?category=838050 Active Learning 이란? - 기본전략 Activ Learning의 기본을 먼저 보고싶으신 분은, 이전 포스트 Active Learning 이란 - 기본 dsgissin.github.io/DiscriminativeActiveLearning/about/ About An introduction to the active learning framework, f.. kmhana.tistory.com Active Learning의 기본적으로 알아야할 기초적인 쿼리전략(Query Strategies)를 간단하게 기술하고자 한다. ※ 쿼리전략(Query Strategies) 란? : 모델이 중요한 데이터를 찾기위한 전략 주요 기초 쿼리전략은 다음과 같다. - Uncertainty Sampling > Top(Least) Confidence, Margin Sampling, Maximu
RANSAC 알고리즘 원리 [내부링크]
https://gnaseel.tistory.com/33 중학생도 이해할 수 있는 RANSAC 알고리즘 원리 이 글은 RANSAC에 대해 아무것도 알지 못해도, 중학교 이상의 수학적 지식만 가지고 있다면 충분히 이해할 수 있도록 포스팅할 예정이다. 실제로 RANSAC은 매우 중요한 알고리즘이지만 실상 들여다보면 매우 간.. gnaseel.tistory.com RANSAC은 RANdom SAmple consensus의 약자로, 데이터셋에서 노이즈를 제거하고 모델을 예측하는 알고리즘이다. 매우 많은 분야에서 활용되며 특히 컴퓨터 비전 분야에서 광범위하게 사용된다. RANSAC은 특정 임계값 이상의 데이터를 완전히 무시해버리는 특성이 있어 outlier에 강건한 알고리즘인데, 아래 그림을 보면 노이즈가 매우 크지만, 노이즈를 반영하지 않고 최대 데이터가 일치하는 이상적인 모델을 추출해내는 것을 볼 수 있다. 파란색은 노이즈가 섞인 데이터셋이고, 빨간색은 RANSAC을 통해 근사시킨 모델이다
평균, 표준편차, 분산, 그리고 Mahalanobis 거리 [내부링크]
metric learning에서 mahalanobis distance loss를 사용하여 내용을 확인하였다. 마할라노비스거리로 값이 얼마나 특이한지 구할 수 있다. https://darkpgmr.tistory.com/41?category=460967 평균, 표준편차, 분산, 그리고 Mahalanobis 거리 얼마전 동생이 전화로 표준편차에 대해서 물어봤다. "형, 표준편차가 3이라는게 무슨 뜻이야?" "먼 소리야, 무슨 표준편차? 단위가 먼데?" "아니, 일일 교통량을 측정하는데, 예를 들어서 평균이 20이고 표준편차.. darkpgmr.tistory.com 얼마전 동생이 전화로 표준편차에 대해서 물어봤다. "형, 표준편차가 3이라는게 무슨 뜻이야?" "먼 소리야, 무슨 표준편차? 단위가 먼데?" "아니, 일일 교통량을 측정하는데, 예를 들어서 평균이 20이고 표준편차가 3인거랑 평균이 80이고 표준편차가 3인거랑 어떻게 다른거야? 표준편차도 에러의 일종이잖아. 근데 평균이 커지면
Deep Metric Learning: a (Long) Survey 2021 [내부링크]
https://hav4ik.github.io/articles/deep-metric-learning-survey Deep Metric Learning: a (Long) Survey In this post, I’ll briefly go over the common approaches for Deep Metric Learning, as well as the new methods proposed in recent years. hav4ik.github.io Getting Practical: a Case Study of Real-World Problems Sadly, it’s a well-known fact that the reported SOTA results on academic benchmarks of cool and shiny new methods might not reflect its performance in real-world problems. That’s why in this s
Stacked Hourglass Networks(2016) [내부링크]
#hourglass #poseestimation https://lswook.tistory.com/107 Stacked Hourglass Networks 리뷰 What is pose estimation pose estimation은 인체 부위를 찾아 인체를 표현하는 task이며, 의료, 헬스케어, 그리고 엔터테인먼트 분야에서 폭넓게 사용된다. 과거에는 효율과 정확도의 문제로 거의 사용되지 않았.. lswook.tistory.com >> network 구조는 bottom-up, top-down 구조에 skip connection, eltwise를 많이해서 소실을 줄인다. >> 현재 pose estimation 모델은 heatmap 베이스 >> cornernet backbone에 사용한 pose estimation network >> hourglass module - intermediate supervision - hourglass module - intermediate supervisi
M2Det(2019) [내부링크]
#M2Det #objectDetection >> FPN 한계를 개선한 MLFPN 제안. FFM, TUM, SFAM 세가지 모듈로 구성됨 [FPN 한계점] >> classification 목적으로 구현됐기 때문에 표현력이 부족함 >> low-level feature를 적게 사용하고, high-level 위주로 사용함 >> 일반적 네트워크에서 high-level은 classification, low-level은 localization(detection)에 유리 [FFMv1] >> SSD처럼 conv5_3(high-level), conv4_3(low-level)에서 뽑은 특징을 융합함. [TUM] >> FFMv1에서 만들어진 base feature 이후 TUM 모듈 생성. 각 TUM 모듈 사이에는 FFMv2가 base feature와 이전 TUM간 feature를 융합하고 다음 TUM으로 전달 >> base feature -> TUM -> base feature + FFMv2 -> TUM
패스트텍스트(FastText) [내부링크]
오타나 철자가 빠진 단어를 검색할때 어떻게 해야하는지 찾아보다가 패스트텍스트에 대해서 정리 전처리해주는 부분이 굉장히 오래걸려서 한번 해놓고, 파일로 저장한 뒤 사용하는게 좋다 출처 : https://wikidocs.net/book/2155 핵심키워드 OOV(Out Of Vocabulary) FastText 패스트텍스트(FastText) 단어를 벡터로 만드는 또 다른 방법으로는 페이스북에서 개발한 패스트텍스트(FastText)가 있다. Word2Vec 이 후에 나온 것이기 때문에, 메커니즘 자체는 Word2Vec의 확장이라고 볼 수 있다. Word2Vec와 패스트텍스트와의 가장 큰 차이점은 Word2Vec은 단어를 쪼개질 수 없는 단위로 생각한다면, 패스트텍스트는 하나의 단어 안에도 여러 단어들이 존재하는 것으로 간주한다. 즉 내부 단어(subword)를 고려하여 학습한다. 1. 모르는 단어(Out Of Vocabulary, OOV)에 대한 대응 패스트텍스트에서는 우선 각 단어는 글
mlops 강의 [내부링크]
https://mercari.github.io/ml-system-design-pattern/README_ko.html ml-system-design-pattern System design patterns for machine learning mercari.github.io https://zzsza.github.io/mlops/2018/12/28/mlops/ 머신러닝 오퍼레이션 자동화, MLOps MLOps 춘추 전국 시대 정리 자료를 정리한 글입니다 최초 작성했던 글을 2021년 6월에 모두 수정했습니다 키워드 : MLOps, MLOps란, MLOps 정의, MLOps 플랫폼, MLOps 엔지니어, MLOps 뜻, MLOps pipeline, MLOps framework zzsza.github.io https://www.youtube.com/watch?v=DeOEuDosH2s&list=PLDZRZwFT9Wku509LgbJviEcHxX4AYj3QP https://fastapi.tian
CoupleNet(2017) [내부링크]
#CoupleNet #ObjectDetection >> R-FCN에서 제안한 PSRoI가 global 정보와 context가 훼손되는 문제점을 해결하였음. >> 소파에 강아지가 있다면, PSRoI pool에서는 sofa가 0.08로 local정보인 강아지에 집중되고, 일반 RoI pool에서는 sofa가 0.78로 global정보에 집중됨. 이 두 결과값을 결합하여 couplenet이라고 만듬. >> local RCN(PSROI pool)와 global FCN(일반 ROI pool) >> 글로벌하고 로컬한 정보를 다 사용할 수 있게 만듬. [local RCN] >> RPN의 출력값에 RSPOI pooling 하여 k x k x (class + 1)의 PS Score map을 생성. >> 생성된 score map의 각 class+1에 k x k * voting(ave pooling)을 수행하여 c+1 채널의 출력값을 생성함. [global FCN] >> 단순 객체나 배경을 포함하는 객
Cascade R-CNN(2018) [내부링크]
#CascadeRCNN #ObjectDetection >> iou가 높으면 positive sample 많아져 overfiting 발생함. >> train과 inference할 때 iou 조건이 다름. coco metric .5:.95 >> 이러한 문제때문에 cascade하게 iou를 증가시키면서 학습하여 정확도를 향상시켰음. >> 0.5 iou로 학습 -> region proposal 생성 -> 0.6 iou로 학습 -> region proposal 생성 -> 0.7로 학습하는 3-stage로 구성하였고, 너무 많으면 악영향을 줌. https://deep-learning-study.tistory.com/605?category=968059 [논문 읽기] Cascade R-CNN(2018), Delving into High Quality Object Detection 안녕하세요! 이번에 읽어볼 논문은 Cascade R-CNN, Delving into High Quality Object
Soft-NMS(2017) [내부링크]
#SoftNMS #ObjectDetection >> 동일 클래스인 객체가 뭉쳐있는 경우, 하나의 객체만 선택되고 나머지는 제외되었음. >> soft-nms는 바운딩 박스를 억제하는 것이 아니라, confidence를 낮추어 검출하도록함. >> nms : iou threshold에 걸리면 bbox 제거됨 >> soft-nms : iou threshold에 걸리면 score 감소시킴. (1-iou)로 하기 때문에, score 편차가 심함. >> gaussian soft-nms : soft-nms와 다르게 threshold를 넘는 bbox에만 적용하는게 아니라, 전체 bbox에 대해 연속적으로 scoring함. https://deep-learning-study.tistory.com/606?category=968059 [논문 읽기] Soft-NMS(2017), Improving Object Detection With One Line of Code 안녕하세요! 이번에 읽어볼 논문은 Soft-
RefineDet(2018) [내부링크]
#RefineDet #ObjectDetection >> Two-Step Cascaded Regression을 써서 1-stage 모델임 >> refinedet는 ARM, ODM 두 모듈과 모듈을 연결하는 TCB 블럭으로 구성되어있음. >> ARM이 앵커 박스를 조정(Refine)하여 negative sample을 줄이고, FPN 방법과 유사하게 multi-scale prediction하는 모델 >> refine이 가장 핵심 키워드인 모델 [ARM] >> ARM은 anchor box 중 적절한 sample을 골라내고 조정(refine)함. negative anchor filtering. RPN 기능. class imbalance 개선 효과 >> positive:negative = 1:3 비율로 조절. [ODM] >> ODM은 multi class를 예측하고, 좌표를 regression함. [TCB] >> TCB는 ARM에서 생성한 anchor를 ODM으로 전달. FPN과 비슷하게 mu
20220425 등이두 [내부링크]
렛풀다운 15세트 역피라미드 바벨컬 4세트 해머컬 2세트 일지 안쓴지 엄청 오래됐다
데이터 사이언스, 분석, 자연어 [내부링크]
이미지 분석말고, 데이터 분석 기본적인 이해를 하기 위해 아래 자료 정리 데이터 분석 관련 자료를 자주 접하게 되는데, 이해도가 낮아서 무슨소리인지 잘 모르겠다. 기초지식 필요성을 많이 느낌 https://datascienceschool.net/intro.html 데이터 사이언스 스쿨 — 데이터 사이언스 스쿨 데이터 사이언스 스쿨 ¶ 데이터 사이언스 스쿨은 데이터 사이언스에 대한 모든 지식을 공유하는 장입니다. 알림 데이터 사이언스 스쿨 홈페이지를 깃헙 페이지와 주피터 북 기반으로 리모델링하였습니다. 소개의 글 datascienceschool.net https://wikidocs.net/book/1867 Python 데이터 분석 실무 저는 현재 데이터 분석가로 재직중이고, 2010년 말부터 IT회사와 리서치회사에서 경력을 쌓았습니다. 전공은 학사 및 석사 모두 심리학으로 전공했고, 현재 IT 회사에서 파 ... wikidocs.net https://wikidocs.net/book/2
101 NumPy Exercises for Data Analysis (Python) [내부링크]
https://www.machinelearningplus.com/python/101-numpy-exercises-python/ 101 Numpy Exercises for Data Analysis The goal of the numpy exercises is to serve as a reference as well as to get you to apply numpy beyond the basics. The questions are of 4 levels of difficulties with L1 being the easiest to L4 being the hardest. www.machinelearningplus.com
101 Pandas Exercises for Data Analysis [내부링크]
https://www.machinelearningplus.com/python/101-pandas-exercises-python/
FROM_UNIXTIME [내부링크]
FROM_UNIXTIME https://mariadb.com/kb/en/from_unixtime/ FROM_UNIXTIME Returns a datetime from a Unix timestamp. mariadb.com The options that can be used by FROM_UNIXTIME(), as well as DATE_FORMAT() and STR_TO_DATE(), are: Option Description %a Short weekday name in current locale (Variable lc_time_names). %b Short form month name in current locale. For locale en_US this is one of: Jan,Feb,Mar,Apr,May,Jun,Jul,Aug,Sep,Oct,Nov or Dec. %c Month with 1 or 2 digits. %D Day with English suffix 'th', 'nd
Active Learning 이란? [내부링크]
라벨링 되어있지 않은 원천데이터를 정말 많이 가지고 있다. self-supervised learning으로 문제를 해결하면 정말 좋겠지만, 아직은 완벽하지 못하기 때문에 레이블링을 해야한다.. 그래서 해결방법으로 semi-supervised learning, active learning이다. 뭔지는 알고, 어떻게 해야할지 느낌은 아는데 이론상으로 정확하지 모르기 때문에 관련 이론, 전략 vision에서는 어떻게 active learning을 하는지 정리해보고자 합니다. semi-supervised learning은 지금 카테고리를 만들어서 공부중 https://kmhana.tistory.com/4?category=838050 Active Learning 이란 - 기본 dsgissin.github.io/DiscriminativeActiveLearning/about/ About An introduction to the active learning framework, from classi
EfficientNetV2 [내부링크]
#EfficientNetv2 #Classification >> efficientnetv1과 비교했을 때 4배 빠른 학습속도와 6.8배 적은 파라미터수로 비슷한 정확도를 달성함. >> 큰 이미지로 학습하면 학습이 느림 -> progressive learning -> 이미지 크기를 점진적으로 증가 -> 정확도 감소 하기 때문에 이미지가 작을때는 약한 정규화, 크면 강한 정규화 적용하기 (dropout, Random Augment, mixup) >> 초기 layer에 depthwise conv는 학습 속도에 악영향 -> Fused-MBConv는 MBConv의 1x1 conv + 3x3 depthwise conv 대신에, 하나의 3x3conv를 사용 -> 초기 stage에만 Fused-MBConv 적용 (모든 stage에 적용하면 느려짐) >> 모든 stage를 동일한 비율로 scaling up하면 안좋음 -> non-uniform scaling -> 모든 stage를 동일하게 scalin
R-FCN(2016) [내부링크]
#RFCN #ObjectDetection >> position-sensitive score map을 제안하였음. >> classification은 위치를 고려하지 않음 translation-invariance >> object detection은 위치 필요하여, translation-variance >> FCN을 백본으로 사용하였고, 공간 정보를 담기위한 score map을 만들었음. >> 백본 마지막 부분에서 두 갈래로 나뉘는데, 하나는 RPN이 region proposals를 생성(RCNN유사), 다른 하나는 position-sensitive score map 생성 >> position-sensitive score map은 k x k 개의 그리드를 갖고 각 그리드마다 class + 1(배경포함)의 채널을 갖음. >> 각 그리드(ROI)에 ROI pooling layer를 적용해서 feature map 생성(class+1개) -> ave pooling -> softmax https
[Linux] cp 또는 mv 로 파일 강제로 덮어쓰기 [내부링크]
간혹 리눅스에서 cp 명령어로 파일 또는 디렉토리를 복사할 때 이미 존재하는 파일인 경우에 파일을 덮어쓸지 사용자에게 물어보는 경우가 있습니다. [root@peterdev test]# cp test1.txt test2.txt cp: overwrite ‘test2.txt’? 수동으로 복사할 경우에는 y를 입력하여 덮어쓰면 되는데, 여러 파일을 복사하는 경우에는 매 파일마다 y를 입력하는게 귀찮을 수 있습니다. 또한 스크립트로 자동화를 하는 경우에는 사용자에게 물어보는 절차를 생략하고 강제로 덮어쓰고 싶을 때가 있을 것입니다. 그런데 아래처럼 cp 명령어의 -f (강제 적용) 옵션을 사용해도 계속해서 사용자에게 덮어쓸 것인지 물어보는데 이런 경우는 alias 때문입니다. [root@peterdev test]# cp -f test1.txt test2.txt cp: overwrite ‘test2.txt’? cp 라고만 입력해도 cp -i 옵션이 자동으로 들어가도록 alias가 적용되어 있기
리눅스에서 하위 디렉토리별 파일 개수 출력 [내부링크]
리눅스에서 하위 디렉토리별 파일 개수 출력하기 $ for x in `ls` ; do echo $x: `find $x -type f | wc -l`; done
linux sort 두번째 열로 sort [내부링크]
#linux #sort http://daplus.net/bash-%ED%8C%8C%EC%9D%BC%EC%9D%98-%EB%91%90-%EB%B2%88%EC%A7%B8-%EC%97%B4%EC%9D%84-%EA%B8%B0%EC%A4%80%EC%9C%BC%EB%A1%9C-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%A0%95%EB%A0%AC/ [bash] 파일의 두 번째 열을 기준으로 데이터 정렬 - 리뷰나라 두 개의 열과 n행 수의 파일 이 있습니다. 열 1은 names및 열 2를 포함 age합니다. 이 파일의 내용을 age(두 번째 열)을 기준으로 오름차순으로 정렬하고 싶습니다 . 결과는 name가장 어린 사람 name과 그 다음에 가장 어린 사람 등을 표시해야합니다. 하나의 라이너 쉘 또는 bash 스크립트에 대한 제안. 답변 다음 sort명령을 사용할 수 있습니다 . sort -k2 … [bash] 파일의 두 번째 열을 기준으로 데이터 정렬 더 보기 » daplus.n
Mask R-CNN(2017) [내부링크]
#MaskRCNN #Segmentation >> Faster R-CNN에 mask branch를 추가하였고, object detection에서 사용한 ROI pool을 ROI Align으로 대체함. 다양한 스케일을 사용하기 위해 FPN 추가. >> cls loss + bbox loss + mask loss로 loss function 계산함. >> mask loss는 (mask*class)^2 크기의 feature map의 각 cell에 sigmoid 적용해서 loss 구함 >> backbone feature map -> RPN -> ROIs -> ROI Align -> stage2(예측하기위한) feature map 얻음. >> class branch, bbox branch : -> fc layer -> class, bbox >> mask branch : -> conv(FCN구조) -> segmentation mask >> m x m 크기의 k개 mask를 예측 >> ROI pool
RON(2017) [내부링크]
#RON #ObjectDetection >> multi-scale 문제 : reverse connection -> FPN >> object, non-object 불균형 : objectness prior -> RPN >> down sampling 하면서 scale 별로 detection 수행. 논문에서는 conv4,5,6,7 4개의 feature map에서 각각 5개의 anchor box 사용 총 20개 [reverse connection] >> bottom-up 이후 top-down 할 때, deconv를 사용함. >> reverse connection은 3x3 conv 사용, FPN에서는 1x1 conv >> anchor box는 SSD랑 유사하게 고정 aspect ratio사용 [objectness prior] >> anchor box에 gt에 일정 iou 조건에 따라 positive sample 되는 경우는 소수임. 그래서 negative sample이 많아지고, 악영향을 주게
DCN(2017) [내부링크]
#DCN #ObjectDetection #Segmentation >> DCN은 deformable conv와 deformable ROI pooling 두 가지를 제안함. translation-invariance가 있어서 OD와 segmentation에 안 좋은 영향을 줌. 그래서 좀 더 유연한 특징 추출 방법을 제안하였음. yolact에 사용함. >> conv와 pooling에 deformable offset 추가하여 receptive field가 객체의 크기에 맞게 변화됨. [deformable convolutional networks] >> input feature map에 2가지 branch로 쪼개짐. >> branch1은 conv layer를 수행하여 offset을 생성. >> branch2는 offset을 받아 conv 연산 후 output feature map을 생성. >> 고정된 kernel size를 사용하는게 아니라, 좀 더 다양한 범위의 특징을 추출하기 위해 off
ShuffleNetV2(2018) [내부링크]
#ShuffleNetv2 #Classification >> 연산량은 inference속도와 절대적인 관계가 없기 때문에, 연산량을 줄이기보다 inference speed에 집중함 >> MAC(memory access cost), degree of parallelism 등 하드웨어마다 연산 성능이 다르기 때문에, 하드웨어에서 지원하는 layer에 맞춰서 구조를 변경해야함 >> shufflenetv2는 FLOPs가 아닌 MAC에 집중하였음. >> pointwise conv 사용할 때, 입출력은 동일한 크기일 때 성능이 좋음 >> group conv는 FLOPs를 감소시키지만, MAC을 증가시켜 조절해서 써야함. >> AutoML로 만든 block들은 gpu에 최적화 되어 있지 않기 때문에 재작업함. >> element-wise operation(add, concat 등)은 gpu에서 큰 비중을 차지하기 때문에, 사용을 줄여야함 (FLOPs는 감소하고, MAC은 증가) >> 이러한 가이드
CondenseNet(2018) [내부링크]
#CondenseNet #Classification >> 경량화 모델로 densenet의 feature reuse를 활용하고, learned group conv를 제안함. group conv와 densenet의 문제점을 개선하였음. >> densenet + weight pruning을 적용한 모델을 condensenet이라고함 >> densenet은 모든 레이어를 연결하여, feature를 재사용했는데 불필요한 부분도 있어서 pruning으로 제거함 >> condensing stage -> optimization stage -> testing >> condensing stage에서 sparsity training. l1-normalization으로 정규화하고, 중요하지 않은 값들을 0으로 처리하여 중요한 feature만 남김 >> optimization stage 남은 feature들로 다시 fine tuning https://deep-learning-study.tistory.com
EfficientNet(2019) [내부링크]
#EfficientNet #Classification >> 이전에 리뷰했던 EfficientDet의 백본 모델. >> EfficientNet은 3가지를 효율적으로 조절할 수 있는 AutoML인 Nas를 수정한 compound scaling 방법을 제안합니다. >> 깊이, 너비, 입력 이미지 크기가 일정한 관계가 있다는 것을 실험적으로 찾아내고, 단계 별로 모델을 제시하였습니다. >> bag of tricks와 training refinements기법을 적용하였습니다. >> learning rate warn up, low-precision training, label smoothing, kowledgedistillation, mixup training을 통해 정확도를 향상시켰습니다. https://deep-learning-study.tistory.com/552?category=963091 [논문 읽기] EfficientNet(2019) 리뷰, Rethinking Model Scalin
Pseudo Label(2013) [내부링크]
#PseudoLabel #semisupervised #Classification >> labeled data와 unlabeled data를 지도 학습 방법으로 동시에 학습하는 신경망. unlabeled data는 매번 가중치 업데이트마다 예측 확률이 가장 높은 클래스를 label로 사용 >> 손실 함수에서 상수인 a(t)를 추가하여 균형을 조절함. 적당히 늘려가면 local minima에 빠지는 것을 예방해준다고함. >> class boundary가 Low-Density regions에 있어야함. >> 오버피팅을 막아주는 느낌인데, 아직 정확히 이해안됨. https://lv99.tistory.com/79 Semi-Supervised Learning(준지도학습)과 Pseudo-labeling(수도레이블링) 개념정리 1. 레이블과 학습 지도학습(Supervised Learning)은 정답 레이블 데이터가 있는 학습을 말하고, 비지도학습(Unsupervised Learning)은 정답 레
FixEfficientNet(2020) [내부링크]
#FixEfficientNet #Classification >> noisy student의 성능을 뛰어넘은 모델. >> classification에서 train 할 때는 random crop, test는 center crop하므로 이미지 사이즈가 다름. >> test image 사이즈에 맞게 해상도 조절하여 fine tuning 했더니 acc가 증가하였음. https://yeomko.tistory.com/43 갈아먹는 Image Classification [2] Fixing the train-test resolution discrepancy 들어가며 이번에 살펴볼 논문은 이미지넷 리더보드에서 현재 1위를 기록 중인 FixEfficientNet의 핵심이 되는 FixRes 기법을 소개한 Fixing the train-test resolution discrepancy입니다. 해당 논문은 신경망의.. yeomko.tistory.com https://deep-learning-study.tis
Meta Pseudo Labels(2020) [내부링크]
#MetaPseudoLabels #Classification #semisupervised >> 정확하지 않은 psuedo label을 학습하는 noisy student 기법의 단점을 개선하였음. >> student는 teacher에서 생성된 pseudo labeled data로 학습을 하고, teacher은 student가 labeled image에 대해 얼마나 잘 작동하는지의 reward signal로 학습(teacher model loss에 적용) >> teacher가 확증 편향에 빠지지 않게 student와 서로 피드백 >> vit 나온 이후 meta pseudo efficientnet이 SOTA 달성하였음. https://kmhana.tistory.com/33 [논문요약] Semi-superviesd의 정수 - Meta Pseudo Labels(2021) *크롬으로 보시는 걸 추천드립니다* https://arxiv.org/pdf/2003.10580v4.pdf 종합 : 1.
DeepLabV1(2014) [내부링크]
#deeplabv1 #segmentation >> segmentation에 cnn을 적용하려면 두가지 장애물이 있음. down-sampling과 invariance >> down-sampling(maxpooling)으로 중요한 부분만 추출되어 디테일 손실됨 -> atrous conv(dilated cone)로 해결 >> invariance -> CRF로 해결 [down-sampling 문제] >> dense network 구조를 변경하여 sparsely하게 feature를 추출함 >> receptive field size를 조절함 -> fc layer 사이즈를 7x7에서 4*4로 변경 [invariance 문제] >> 경계를 잘 못잡아내는 문제를 해결해야함. >> 특정 카테고리에 속할 확률 = 카테고리에 속할 확률(θi)+ 같은 카테고리에 속할 확률(θij) >> 비슷한 위치, 색상의 픽셀은 같은 카테고리 paper : https://arxiv.org/abs/1412.7062 cod
DeConvNet(2015) [내부링크]
#DeConvNet #Segmentation >> conv network로 feature를 추출하고, deconv network로 feature의 object segmentation을 생성 >> fcn은 single scale이므로 작거나 큰 객체는 mislabeled되거나 잘게 쪼개짐. upsampling으로 bilinear interpolation을 쓰면 성능 떨어짐. >> deconvolution network에는 unpooling과 deconv 연산으로 구성됨. >> max pooling할 때 max value의 index를 저장하고, unpooling할 때, 저장한 index에 max value 복원함 -> sparse 해짐 (“example-specific”) 자세한 구조 잡아냄 >> deconv(transposed con) -> 입력값을 3x3 영역에 배치하고, 겹치는 부분은 sum해서 연산 수행 -> 빈 부분 채우기 (“class-specific”) paper : ht
DSSD(2017) [내부링크]
#DSSD #Objectdetection >> ssd의 backbone을 vgg에서 resnet101로 교체하고, deconv network를 추가하였더니 SOTA 달성함 >> prediction layer에 residual block을 추가하여, 피쳐 재사용함. >> deconv에서 upsampling할때에 bilinear interplation을 사용해서 아쉬움. >> positive:negative = 3:1 비율로 사용함 https://deep-learning-study.tistory.com/566?category=968059 [논문 읽기] DSSD(2017) 리뷰, Deconvolutional Single Shot Detector 안녕하세요! 이번에 읽어볼 논문은 DSSD, Deconvolutional Single Shot Detector 입니다. DSSD는 SSD에 세 가지 변화를 주었습니다. 첫 번째는 base network를 VGG가 아닌 ResNet-101을 사용합니
MobileNetV2(2018) [내부링크]
#MobileNetv2 #Classification >> mobilenetv2는 ReLU 함수를 거치게 되면 정보가 손실된다는 것에 영감을 받아 이를 최소화하기 위해 Inverted Residuals와 Linear Bottlenecks를 제안함 >> depthwise convolution연산시 채널별로 쪼개서 계산하는데 relu함수 적용시 0으로 처리될때가 많음. 그래서 채널수가 적을때는 리니어하게해야함 >> linear bottenecks는 레이어에 채널 수가 적다면 linear activation을 사용합니다. 비선형 함수인 relu를 사용하게 되면 정보가 손실되기 때문입니다. >> inverted residuals는 기존의 BottleNeck 구조는 첫 번째 1x1 conv layer에서 채널 수를 감소시키고 3x3 conv로 전달합니다. 채널 수가 감소된 레이어에서 ReLU 함수를 사용하면 정보 손실이 발생하게 됩니다. 따라서 첫 번째 레이어에서 입력값의 채널 수를 증가시키고
NasNet(2018) [내부링크]
#NasNet #Classification >> 강화학습으로 만든 모델로 SOTA 달성함. 나중에 efficientnet도 AutoML로 SOTA 달성 >> cifar10에서 conv block을 만들고, imagenet dataset을 학습하여 테스트하였음. normal cell과 reduction cell로 구성됨 >> hiden layer 두개로 부터 지정한 연산(pool, conv, depthwise_conv)을 선택하고, 두 레이어를 concat하거나 add하여 block을 만듬. 서치 방법은 random search https://deep-learning-study.tistory.com/543?category=963091 [논문 읽기] NasNet(2018) 리뷰, Learning Transferable Architectures for Scalable Image Recognition 이번에 읽어볼 논문은 NasNet, Learning Transferable Architec
ShuffleNet(2018) [내부링크]
#ShuffleNet #Classification >> 경량화에 집중한 모델로 alexnet 동일한 정확도에 mobilenetv1보다 성능이 좋음. shufflenet도 depthwise conv사용함 >> pointwise group conv와 channel shuffle 사용 >> pointwise group conv를 사용해서 기존의 pointwise conv의 연산량을 줄임. >> channel shuffle을 사용하여 채널간 정보 교환해서 다양한 피쳐정보 사용가능해짐. residual(short cut) 버전과 그냥 버전 두가지 사용 https://deep-learning-study.tistory.com/544?category=963091 [논문 읽기] ShuffleNet(2018) 리뷰, An Extremely Efficient Convolutional Neural Network for Mobile Devices 안녕하세요! 이번에 읽어볼 논문은 ShuffleNet: An
SENet(2018) [내부링크]
#SENet #Classification [squeeze and excitation] - squeeze > global ave pooling을 사용해 1차원 특징맵을 만들자. 중요한 정보만 추출하고, 피쳐맵에 가중치를 부여함(attention 효과) - filter r만큼 압축하자 - Excitation은 Squeeze에서 생성된 (1x1xC)벡터를 정규화하여 가중치를 부여하는 역할 - filter를 다시 키우고 sigmoid activation을 사용하자 - feature맵에 곱하기 - 원래과정 GAP - FC1 - ReLU - FC2 - Sigmoid - low level 에서는 클래스랑 상관없이 특징을 추출하고, high level에서는 클래스랑 관련있는 특징추출 https://deep-learning-study.tistory.com/539?category=963091 [논문 읽기] SENet(2018) 리뷰, Squeeze-and-Excitation Networks 이번에 읽
DenseNet(2017) [내부링크]
#DenseNet #Classification >> dense block과 transition layer로 구성되어있음. dense block은 모든 정보를 각 conv에 전달하여 정보 손실을 최소화함. concat하기 때문에 필터 수는 같음. transition layer에서 pooling하여 피쳐맵 크기랑 채널 수 감소 >> densenet에서 연산량이 많기때문에, cspnet에서 연산량을 감소시켰다. https://deep-learning-study.tistory.com/528?category=963091 [논문 읽기] DenseNet(2017) 리뷰, Densely Connected Convolutional Networks 이번에 읽어볼 논문은 DenseNet, 'Densely Connected Convolutional Networks'입니다. DenseNet은 ResNet과 Pre-Activation ResNet보다 적은 파라미터 수로 더 높은 성능을 가진 모델입니다. De
Xception(2017) [내부링크]
#Xception #Classification >> 새로운 inception 모듈, Depthwise separable convolution(depthwise conv + pointwise conv)을 활용하여 감소한 파라미터 수 많큼 층을 쌓아 성능을 높이는데 집중 >> xception은 pointwise conv 먼저하고, depthwise conv하여 기존의 inception보다 효과적임. inception에서 사용했던 relu 사용하지 않음. mobilenet에서도 relu6사용 >> mobilenet에 적용함 https://deep-learning-study.tistory.com/529?category=963091 [논문 읽기] Xception(2017) 리뷰, Deep Learning with Depthwise Separable Convolutions 이번에 읽어볼 논문은 Xception: Deep Learning with Depthwise Separable Convolu
MobileNet(2017) [내부링크]
#Mobilenet #Classification >> mobilenet은 depthwise convolution과 pointwise convolution을 활용하여 모델을 경량화 하고, 모바일디바이스에서 사용할 수 있는 모델을 제시하였습니다. dw conv는 입력 이미지 혹은 피쳐맵을 각 체널별로 쪼개서 컨볼루션 연산을 적용합니다. 이렇게하면 3차원 필터가 2차원으로 줄어들수 있습니다. pw conv는 이렇게 만든 피쳐맵에 1x1 컨볼루션을 적용해서 차원을 줄여줍니다. 이러한 과정을 통해서 파라미터 수와 연산량을 감소시킵니다. https://deep-learning-study.tistory.com/532?category=963091 [논문 읽기] MobileNet(2017) 리뷰, Efficient Convolutional Neural Networks for Mobile Vision Applications 이번에 읽어볼 논문은 MobileNets: Efficient Convoluti
PolyNet(2017) [내부링크]
#PolyNet #Classification >> inception v2에서 inception모듈을 poly inception 모듈로 교체하였음. 인셉션 모듈을 다항식(polynomidal)구조로 쌓아 다양하게 변경하고 성능을 높임, poly, mpoly, 2way, 3way등 >> 3way -> mpoly-3 -> poly-3 사용했을때 SOTA달성함 https://deep-learning-study.tistory.com/535?category=963091 [논문 읽기] PolyNet(2017) 리뷰, PolyNet: A Pursuit of Structural Diversity in Very Deep Networks 안녕하세요! 이번에 소개할 논문은 PolyNet: A Pursuit of Structural Diversity in Very Deep Networks 입니다. PolyNet은 ILSVRC2016 대회에서 3등을 차지한 모델입니다. Inception-ResNet-v2 를
Residual Attention Network(2017) [내부링크]
#ResidualAttentionNetwork #Classification >> attention 개념 적용하여 모듈 만듬(inception, residual 조합). 중요한 부분에 가중치 부여. 배경제거하고 더 attention하는 효과있음, soft mask branch와 trunk branch로 구성 >> trunk branch - 입력값으로 특징 추출. 최신 모듈 사용(그림 오른쪽) >> soft mask branch - down sample(pooling), upsample해서 중요한 특징만 살려냄. 특징을 강조하고 배경 제거(그림 왼쪽) >> (1+soft mask branch)*trunk branch로 해서 smb값이 trunck 출력값에 가중치를 줌 안녕하세요! 이번에 소개할 논문은 Residual Attention Network 입니다. Residual Attention Network는 자연어 처리에서 활발하게 이용하고 있는 Attention에서 영감을 받아 탄생한
10년뒤엔 100배 성장 ‘플라잉카 시대’ 집중분석 [내부링크]
https://n.news.naver.com/article/023/0003682363 [WEEKLY BIZ] “너에게 날아갈게” 3년 뒤엔 현실이다 [Cover Story] 10년뒤엔 100배 성장 ‘플라잉카 시대’ 집중분석 윤석열 대통령 당선인이 대통령 집무실을 서울 광화문에서 용산 국방부 자리로 옮기는 계획을 추진하면서 UAM(Urban Air Mobilit n.news.naver.com [WEEKLY BIZ] [Cover Story] 10년뒤엔 100배 성장 ‘플라잉카 시대’ 집중분석 상용화가 2~3년 앞으로 다가온 도심 항공 교통(UAM) 시대를 맞아 전기 배터리로 수직 이착륙할 수 있는 항공기인 eVTOL 개발이 앞다퉈 이뤄지고 있다. ①독일 볼로콥터의 '볼로시티'와 ②중국 이항의 '이항216', ③에어버스의 '시티에어버스 넥스트젠'. /볼로콥터·이항·에어버스 윤석열 대통령 당선인이 대통령 집무실을 서울 광화문에서 용산 국방부 자리로 옮기는 계획을 추진하면서 UAM(Urba
추천시스템 연구 동향 [내부링크]
https://www.koreascience.or.kr/article/JAKO201512053817215.pdf 딥러닝 기반 wide&deep autoencoder neural collaborative filtering deep factorization machine
DPN(2017) 리뷰 [내부링크]
#DPN #Classification >> residual network와 dense network를 합쳐서 만든 dual path networks. >> resnet, resnext 백본을 사용하고, residual block의 입력값에서 residual path의 1x1, densly path의 1x1을 받고, 출력 부분에서 다시 나누어 적용 https://deep-learning-study.tistory.com/538?category=963091 [논문 읽기] DPN(2017) 리뷰, Dual Path Networks 이번에 읽어볼 논문은 DPN, Dual Path Networks 입니다. DPN은 ILSVRC Object Localization task에서 1위를 차지한 모델입니다. DPN은 DenseNet과 ResNet의 장점을 활용한 모델입니다. Dual Path Network 이름.. deep-learning-study.tistory.com 이번에 읽어볼 논문은 DPN,
Inception-v2, v3(2015) [내부링크]
#Inceptionv2 #Inceptionv3 #Classification >> 연산량 최소화해서 메모리가 제한된 edge device에서 사용하자 >> 3x3 conv보다 큰 필터는 다 3x3 여러번으로 바꿔서하고, linear가 아닌 relu activation을 사용하는게 더 좋다. 3x3보다 작을때는 1xn, nx1로 바꿔서하자 >> 기존 label이 [0, 1, 0, 0]이면 레이블 스무딩을 실시하고 [0.025, 0.925, 0.025, 0.025]가 됩니다. 정답에 대한 확신을 감소시켜 일반화 >> GoogLeNet논문에서 Auxiliary Classifiers(1x1 conv)를 적용하면 성능은 안올라가지면 정규화 효과있음 >> Inception-v3은 Inception-v2에서 BN-auxiliary + RMSProp + Label Smoothing + Factorized 7x7 을 다 적용한 모델 https://deep-learning-study.tistory.co
WRN(2016) - Wide Residual Networks [내부링크]
#block #classification #residual #ResNet #wideresidualnetworks #wideresnet #WRN >>깊이를 늘리는 대신 넓이를 키웠더니 학습도 빠르고 정확도도 높음 >> residual block내의 conv layer 사이에 dropout을 적용 https://deep-learning-study.tistory.com/519?category=963091 [논문 읽기] WRN(2016) 리뷰, Wide Residual Networks 이번에 읽어볼 논문은 WRN, Wide Residual Networks 입니다. WRN은 residual netowrk의 넓이를 증가시키고 깊이를 감소시킨 모델입니다. 16 layer로 이루어진 WRN은 1000-layer ResNet 같은 깊은 신경망을 제.. deep-learning-study.tistory.com 이번에 읽어볼 논문은 WRN, Wide Residual Networks 입니다. WRN은 r
SqueezeNet(2016) [내부링크]
#SqueezeNet #Classification >> 경량화 모델, 스퀴즈넷은 Fire 모듈 - squeeze block(3x3 conv대신 1x1conv 사용)과 expand block 사용 >> resnet의 skip connection과 같은 bypass 추가하여, 정보 손실을 줄임 >> 이전에 squeezenet bacbone ssd를 사용했었는데, mobilenetssd에 비해서 크게 성능이 떨어지지않았다 https://deep-learning-study.tistory.com/520?category=963091 [논문 읽기] SqueezeNet(2016) 리뷰, AlexNet-Level Accuracy with 50x fewer parameters and <0.5 MB Model SIze SqueezeNet, AlexNet-Leval Accuracy with 50x fewer parameters and 우선, (1) 연산량이 적기 때문에 학습이 빠릅니다. (2) 실시간으로
Inception-v4(2016) [내부링크]
#Inceptionv4 #Classification >> 실험 결과에서 보았듯이, Residual connection은 현격하게 학습 속도를 높여줄 수는 있지만, Residual connection의 여부와 상관없이 성능은 결국 Model size의 문제(virtue of the increased model size)라고 결론을 내립니다. 이번에 소개할 논문은 2017년에 나온 Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning 입니다. 저자는 Szegedy 입니다. Inception-v1(GoogLeNet), Inception-v2, v3은 이미지 분류 대회에서 항상 좋은 성적을 거둬왔습니다. Inception 계열의 특징은 적은 파라미터수를 갖지만 모델이 다소 복잡합니다. 이 복잡성 때문에 VGGnet이 GoogLeNet보다 흔하게 사용되었죠. inceptio-v1에서 개선된 v4에는
PyramidNet(2017) [내부링크]
#PyramidNet #Classification https://deep-learning-study.tistory.com/526?category=963091 [논문 읽기] PyramidNet(2017) 리뷰, Deep Pyramidal Residual Networks 이번에 소개할 논문은 PyramidNet, Deep Pyramidal Residual Networks 입니다. 저자는 Kaist대학의 Dongyoon Han님입니다. 한국 대학교가 등장하니 가슴이 벅차 오르네요..!! 일반적으로 CNN 모델은 pooling l.. deep-learning-study.tistory.com 이번에 소개할 논문은 PyramidNet, Deep Pyramidal Residual Networks 입니다. 일반적으로 CNN 모델은 pooling layer에서 memory 사용을 감소하고 고차원의 특징을 추출하기 위한 down-sampling 연산을 수행하고, filter 수를 급격히 증가시킵니다.
RetinaNet(2017) [내부링크]
#RetinaNet #ObjectDetection >> retinanet은 false negative를 줄이기 위해, 모델이 예측하기 어려운 hard example에 집중하도록 focal loss를 제안하였습니다. resnet+fpn >> CEloss에서 easy example이 엄청나게 많아지면 대부분의 loss를 차지하게 되어 hard example의 영향을 감소시킵니다. 그래서 focal loss를 적용하여 예측이 쉬울수록 가중치에 영향을 주지 못하게 하여 easy example의 영향을 감소 시키고, hard example에 집중하도록 처리합니다 >> YOLOV3 나오기 전에 one-stage model로 비슷한 접근 방법 https://deep-learning-study.tistory.com/504?category=968059 RetinaNet 논문은 모델이 예측하기 어.......
Pre-Activation ResNet(2016) [내부링크]
#PreActivationResNet #Classification https://deep-learning-study.tistory.com/510?category=963091 이번에 소개할 논문은 Pre-Activation ResNet, Identity Mappings in Deep Residual Networks 입니다. ResNet은 skip connection을 활용해 신경망이 수렴이 잘 되도록 하여 층을 깊게 쌓아 정확도를 높인 모델입니다. Pre-Activation ResNet은 기존의 residual block 구조에 활성화 함수의 순서를 바꿔 성능을 끌어올렸습니다. 입력값을 BN과 활성화 함수를 거친 뒤에 convolution layer에 전달한 것입니다. 아래 그림에서 기존 residual block과 pre-activation residual block을 확인할 수 있습니다. 학습곡선에서 점선은 training lo.......
YOLO v2 (2017) [내부링크]
#YOLOV2 #ObjectDetection >> 기존 yolo에서는 예측하는 박스는 어떠한 형태일 것이다라는 사전 정보없이 그냥 박스를 예측하였고, 박스의 크기나 위치가 중구난방이 될 우려가 있었습니다. 그렇기 때문에, 앵커 박스를 설정하였습니다. 그리고 yolo에서 cnn을 통과한 마지막 레이어의 피쳐맵만 사용하여 작은 물체에 대한 정보가 사라지기 때문에 상위 레이어의 피쳐맵을 하위 피쳐맵에 합쳐주는 passthrough layer를 도입하였습니다. 또한 dropout layer를 제거하고 batch normalization을 추가하였고, 높은 해상도의 백본 네트워크를 사용하였습니다. 학습시 10배치시마다 입력 이미지의 해상도를 바꿔주며 학습을 진행합니다. >>.......
SPPnet (2014) - Spatial Pyramid Pooling Network [내부링크]
#SPPnet #ObjectDetection [sppnet] >> sppnet은 rcnn이 2천개의 영역에 cnn 통과시켜서 너무 느리기 때문에, 입력 이미지를 그대로 CNN에 통과시켜 피쳐 맵을 추출한 다음, 그 feature map에서 2천개의 물체 영역을 찾아 SPP를 적용하여 고정된 크기의 feature를 얻어냅니다. 그리고 이를 FC와 SVM Classifier에 통과시킵니다. [spp layer] >> 먼저 Conv Layer들을 거쳐거 추출된 피쳐맵을 인풋으로 받습니다. 그리고 이를 미리 정해져 있는 영역으로 나누어 줍니다. 4x4, 2x2, 1x1 세 가지 영역을 제공하며, 각각을 하나의 피라미드라고 부릅니다. 피라미드의 한 칸을 bin 이라고 합니다. 이제 각 bin에서 가장 큰 값만 추출하는 m.......
Fast R-CNN(2014) 리뷰 [내부링크]
#FastRCNN #ObjectDetection >> 전체 이미지를 미리 학습된 cnn을 통과시켜 피처맵을 추출합니다. 그리고 selective search를 통해서 찾은 각각의 roi에 대해 roi pooling을 진행합니다. 그 결과로 feature vector를 얻을 수 있고 feature vector를 fc layer에 통과합니다. fc layer에 나온 결과물에서 softmax로 어떤 물체인지 클래스 정보를 얻고, bounding box regression에서 박스의 위치를 조정합니다. >> 이제 svm 사용 안하고, 단점은 roi 별로 다 pooling 해야합니다. >> roi 풀링은 spp와 동일하며 피라미드가 한개 https://deep-learning-study.tistory.com/456?category=968059 Fast R-CNN Fast R-CNN은 R-CNN.......
Faster R-CNN (2015) [내부링크]
#FasterRCNN #ObjectDetection >> Faster RCNN에서의 RPN(Region Proposal Network)은 먼저 pretrained 된 VGG를 통과한 피쳐맵을 전달받습니다. 해당 피쳐맵에 3x3 컨볼루션을 적용하여 Intermediate Layer라는 피쳐맵을 생성합니다. 이를 각각 1x1 컨볼루션을 양갈래로 적용하여 각 엥커 박스가 object인지 여부와 bounding box regression을 수행해줍니다. >> 앵커박스를 적용함 https://deep-learning-study.tistory.com/464?category=968059 이번에 읽어볼 논문은 'Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks' 입니다. Fast R-CNN과 R-CNN에서 region proposals는 select.......
ResNet(2015) [내부링크]
#ResNet #Classification >> resnet은 네트워크 깊이에 따라 resnet50, resnet100, resnet150으로 구성되어있습니다. vggnet과 같은 plaing network가 깊어질수록 기울기 소실문제가 발생하기 때문에 입력을 몇 layer 이후 출력값에 더해주는 shortcut connection을 사용합니다. https://deep-learning-study.tistory.com/473?category=963091 이번에 읽어볼 논문은 ResNet, 'Deep Residual Learning for Image Recognition' 입니다. ResNet은 residual repesentation 함수를 학습함으로써 신경망이 152 layer까지 가질 수 있습니다. ResNet은 이전 layer의 입력을 다음 layer로 전달하기 위해 skip connection(또는 shorcu.......
OHEM(2016) [내부링크]
#OHEM #ObjectDetection >> 최신 기법에도 불균형 문제가 존재하며 배경과 객체 proposal 비율은 70:1이다. 많은 hard example을 추가하여 학습하자. hard example을 샘플링하는 ROI pooling layer를 추가함. false positive가 많이 감소하는 효과를 얻어냄 https://deep-learning-study.tistory.com/501?category=968059 안녕하세요! 이번에 읽어볼 논문은 OHEM, Training Region-based Object Detectors with Online Hard Example Mining 입니다. 모델 구조를 개선시켜 성능을 향상시킨 논문이 아니라, 샘플링 방법을 개선하여 모델의 성능을 향상시킨 논문입니다. RetinaNet 논문을 읽다가 OHEM에 대한 내용이 이해가 안되서 OHEM을.......
GoogLeNet (2014) [내부링크]
#GoogLeNet #Classification #Auxiliaryclassifier https://deep-learning-study.tistory.com/389?category=963091 https://technical-support.tistory.com/87 이번에 공부할 논문은 'Going deeper with convolutions' (GoogLeNet)입니다. LeNet-5를 시작으로 CNN은 이미지 분류에서 일반적인 구조가 되었습니다. CNN 구조에 dropout, pooling, ReLu, GPU 기법이 적용된 AlexNet이 ILSVRC 2012년 대회에서 우승을 차지하고 CNN을 세상에 알리게 됩니다(이전까진 머신러닝 기법이 대회를 우승했습니다). 2년 뒤 Inception block을 적용한 CNN 모델인 GoogLeNet이 ILSVRC 2014년 대회에서 우승을 차지하게 됩니다. GoogLeNet을 우승.......
VGGNet(2014) [내부링크]
#VGGNet #Classification 뉴럴 네트워크는 깊이가 증가하면 정확도가 좋아집니다. vggnet에서는 3x3 필터로 세 차례 컨볼루션하면 가중치는 27개이고 7x7 한번 컨볼루션하는 것은 가중치가 49개이기 때문에 3x3 필터로 세번 컨볼루션하는 것이 가중치가 적습니다. 가중치가 적다는 것은 학습의 속도가 빨라지기때문에 3x3 필터를 적용하여 네트워크를 구성하였습니다 https://deep-learning-study.tistory.com/398?category=963091 안녕하세요 이번에 읽어볼 논문은 'Very Deep Convolutional Networks for large-scale image recognition'(VGGNet) 입니다. VGGNet은 19 layer를 지닌 깊은 network로 ILSVRC 2014 대회에서 2등을.......
R-CNN (2013) 리뷰 [내부링크]
#RCNN #Classification >> rcnn 알고리즘은 input 이미지를 selective search로 객체가 있을만한 약 2천여개의 부분을 찾아냅니다. 찾아낸 부분을 일정크기로 리사이즈하고 cnn을 적용하여 특징을 추출합니다. 해당 특징을 가지고 svm classifier를 적용하여 객체에 대한 정보를 뽑아냅니다. https://deep-learning-study.tistory.com/410?category=968059 읽어볼 논문은 R-CNN 'Rich feature hierarchies for accurate object detection and semantic segmentation' 입니다. R-CNN은 region proposals와 CNN이 결합된 Regions with CNN의 약자입니다. R-CNN이 등장하기 전 HOG와 SHIFT를 활용한 Object detection 성능은 몇.......
YOLO v1 (2016) 리뷰 [내부링크]
#YOLOV1 #ObjectDetection >> 입력이미지를 S X S 그리드 영역으로 나눕니다. 각 그리드 영역에서 먼저 물체가 있을 만한 영역에 해당하는 B개의 Bounding Box를 예측합니다. 하나의 박스는 중심점 x와 y, 너비와 높이 w,h 신뢰도 지수 C (x, y, w, h, C) 다섯개 차원의 벡터로 구성되어 있고, 클래스에 대한 정보도 포함(voc 20개). nms를 통해 박스를 그려줍니다. >> 각 그리드별로 예측하기 때문에 그리드 크기 보다 작은 물체를 잡아내지 못하는 문제가 있음. 예를 들어 새 떼가 모여있는 경우. 앵커사용x https://deep-learning-study.tistory.com/430?category=968059 이번에 리뷰할 논문은 'You Only Look Once: Un.......
Computer vision 분야에서의 Self-Attention [내부링크]
#Attention #selfattention Transformer 네트워크가 도입된 이래로, 딥러닝에서의 Attention 메커니즘은 NLP 커뮤니티를 비롯한 기계 번역에서 큰 인기를 누리고 있습니다. 하지만, 컴퓨터 비전에서는 Convolutional neural networks(CNN)이 여전히 표준이고, Self-attention은 기존의 CNN 아키텍처를 보완하거나 대체하는 등 서서히 연구의 중심으로 들어오기 시작한 상황입니다. 이 글에서 저는 visual self-attention의 최근 발전을 보이고 가능한 이점을 강조할 것입니다. 이를 위해 저는 최신 Self-attention 기술을 담은 세 가지의 논문을 이야기할 것입니다. 첫 번째 논문은 제가 가장 편안하게 느끼는 의료 이미지 분석에 관한 논문입니.......
LeNet-5 (1998) [내부링크]
#LeNet https://deep-learning-study.tistory.com/368?category=963091 가장 기본적인 CNN 구조인 LeNet-5 논문을 읽어보고 파이토치로 직접 구현해보면서 CNN에 대한 이해도를 높여보겠습니다. LeNet-5은 1998년 Yann LeCun의 논문 'Gradient-Based Learning Applied to Document Recognition' 에 담겨있는 CNN 신경망의 구조를 의미합니다. 위 논문은 46page에 달하는 논문으로 문자 인식 업무에 CNN이 효과적인 이유에 대해 기술되어 있어, 읽어본다면 CNN에 대한 이해도를 높일 수 있을 것이라고 생각 합니다. 1. LeNet-5 등장 배경 LeNet-5은 Yann LeCun이 손으로 적힌 우편 번호를 전통적인 방법보다 효율적으로 확인하기 위.......
AlexNet(2012) [내부링크]
#AlexNet #Classification https://deep-learning-study.tistory.com/376?category=963091 이번에 읽어볼 논문은 'ImageNet Classification with Deep Convilutional Neural Networks'(AlexNet) 입니다. AlexNet 컴퓨터 비전 분야의 '올림픽'이라 할 수 있는 ILSVRC(ImageNet Large-Scale Visual Recognition Challenge)의 2012년 대회에서 AlexNet이 Top 5 test error 기준 15.4%를 기록해 2위(26.2%)를 큰 폭으로 따돌리고 1위를 차지했습니다. (Top 5 test error란 모델이 예측한 최상위 5개 범주 가운데 정답이 없는 경우의 오류율을 말합니다.) 이 AlexNet 덕분에 딥러닝, 특히 CNN이 세간의 주목을 받게 되었으며.......
Amazon SageMaker Training Job에 가장 적합한 데이터 소스 선택 (s3, FastFile, Fsx Lustre) [내부링크]
#SageMaker #AWS #TrainingJob #s3 #FastFile #FsxLustre https://hyperedge.tech/2022/02/23/choose-the-best-data-source-for-your-amazon-sagemaker-training-job/ Amazon SageMaker 는 기계 학습(ML) 모델을 쉽게 구축, 교육 및 배포할 수 있는 관리형 서비스입니다. 데이터 과학자는 SageMaker 교육 작업을 사용하여 ML 모델을 쉽게 교육합니다. 컴퓨팅 리소스 관리에 대해 걱정할 필요가 없으며 실제 교육 시간에 대해서만 비용을 지불하면 됩니다. 데이터 수집은 모든 교육 파이프라인의 필수적인 부분이며 SageMaker 교육 작업은 광범위한 교육 워크로드에 맞게 다양한 데이터 저장 및 입력 모드를 지원합니다. 이 게시물은 SageMaker ML.......
THCState_getCurrentStream in torch1.5 [내부링크]
torch 1.4에서 썼었던 THCState_getCurrentStream은 torch 1.5로 변경되면서 at::cuda::getCurrentCUDAStream().stream()로 바뀌었다 orginal error: /ops/deformable_convolution/src/cuda/dcn_v2_cuda.cu(107): error: identifier "THCState_getCurrentStream" is undefined /ops/deformable_convolution/src/cuda/dcn_v2_cuda.cu(279): error: identifier "THCState_getCurrentStream" is undefined 2 errors detected in the compilation of "/tmp/tmpxft_0000125b_00000000-6_dcn_v2_cuda.cpp1.ii". I change createBatchGemmBuffer<<<grid, block, 0, THCState_getCurrentStream(state)>>>.......
conda 환경에서 python opencv gpu 버전 설치하기 [내부링크]
#opencv-python #cuda #cv2.cuda conda 환경에서 opencv-python gpu 버전 설치하기 설치 환경 conda python 3.7.11 nvidia-driver 440.33 cuda 10.2 ubuntu 16 conda 환경에서 opencv python을 사용하기 위해서는 pip3 install opencv-python 위와 같은 방법으로 설치합니다. 하지만 only cpu 버전이기 때문에 gpu 버전으로 다시 컴파일해야합니다. -DCUDA_ARCH_BIN GPU's arch에 맞게 세팅합니다. (pascal gpu는 6.1) 위 스크립트를 실행하면 whl 파일이 생성됩니다. opencv cuda resize 예제 코드 테스트 환경은 아래와 같습니다 gpu : TitanX cpu : Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz 1392장 변환 결과 CPU : 100%|.......
python requests로 데이터 가져올 때 403 forbidden 문제 [내부링크]
requests header를 변경하여도 reCAPTCHA 때문에 차단될때가 많다. 아래 레파지토리를 적용하여 우회하자. pip install cfscrape https://github.com/Anorov/cloudflare-scrape
LoFTR: Detector-Free Local Feature Matching with Transformers CVPR 2021 리뷰 [내부링크]
https://zju3dv.github.io/loftr/ LoFTR 모델은 Image Feature Matching 부분 SOTA모델입니다. Transfomer 모듈을 CNN에 추가하여 SOTA를 달성하였고, 기존 SOTA모델인 SuperGlue모델보다 성능이 좋습니다. 리뷰한 블로그가 따로 없어서 리뷰를 작성하였습니다. Abstract LoFTR은 텍스처가 낮거나 모션 블러 또는 반복적인 패턴이 있는 불명확한 영역에서도 고품질의 semi-dense matches를 추출할 수 있습니다. local image feature matching을 위한 새로운 방법을 제시합니다. image feature detection, description, matching를 순차적으로 수행하는 대신, 먼저 대략적인 수준에서 pixel-wise dense matches(픽셀 단위)를 설정하고 나중에 fine.......
Docker | 도커 이미지 종류 [내부링크]
#Docker #slim #buster #alpine #jessie #stretch #jessie https://no-easy-dev.tistory.com/entry/Docker-Docker-Image-Differences 이미지 종류 name:version name:version-stretch name:version-buster name:version-jessie name:version-slim name:verseion-alpine name:version 기본적으로 Docker는 name:version에 해당하는 버전을 사용합니다. (Base 이미지) 해당 버전의 이미지는 가장 최근의 안정적인 데비안 운영 체제 릴리스를 기반으로 합니다. ex) python:3.8.3 name:version-stretch, name:version-buster, name:version-jessie stretch, buster, jessie 태그가 붙은 이미지의 경우 다양한 데비안 릴리스의 코드명 입니다. ex) pyt.......
ssh 원격 접속 에러(WARNING: REMOTE HOST IDENTIFICATION HAS CHANGED!) [내부링크]
/Users/유저이름/.ssh/known_hosts 파일을 열고 내용을 삭제해준다.
리눅스 중복행 제거 uniq [내부링크]
#linux #uniq #sort 1 개요 리눅스 uniq /usr/bin/uniq 중복된 내용의 행이 연속으로 있으면 중복 없이 하나의 행으로 만들어 주는 리눅스 유틸리티 흔히 sort와 함께 사용함 -c 옵션을 붙이면 중복행의 개수를 출력함 2 실행예시 1: 기본 uniq root@zetawiki:~# cat fruits.txt orange apple apple orange orange apple root@zetawiki:~# cat fruits.txt | uniq orange apple orange apple 3 실행예시 2: sort 후 uniq root@zetawiki:~# cat fruits.txt | sort | uniq apple orange 4 실행예시 3: -c 옵션 리눅스 uniq -c 문서를 참고하십시오. root@zetawiki:~# cat fruits.txt | sort | uniq -c 3 apple 3 orange 5 참고 https://ko.wikipe.......
MacOS ) m1 맥북 docker 설치하기 + 가상환경에 postgreSQL 띄워 보기 [내부링크]
https://shanepark.tistory.com/194 이번엔 Windows에 Docker를 설치 해 보았으니, Mac에서도 Docker를 설치 해 보겠습니다. 예전에는 MySQL 이건 postgreSQL이건 무슨 DB를 설치 할 때 마다 로컬에 직접 설치를 했었는데요, 그러면 필요할때만 켜고 끄려고 해도 Terminal에 켜고 끄는 명령어를 입력 해 주어야 하고 이게 확인하기 전까지는 돌아가고 있는지 아닌지도 눈에 보이지가 않아 불편했는데요, 한번 Docker를 사용 해 보니 그 매력이 굉장해서 왠만한 건 이제 Docker로 돌리게 될 것 같습니다. 특히 Docker의 장점은 쉬운 설치 및 개발 환경 그대로 배포가 가능하다는 점 등이 있습니다. 특히 Docker Compose를 이용하면 yaml 포맷으로.......
Build K-Nearest Neighbor (k-NN) Similarity Search Engine with Elasticsearch [내부링크]
https://opensearch.org/blog/odfe-updates/2020/04/Building-k-Nearest-Neighbor-(k-NN)-Similarity-Search-Engine-with-Elasticsearch/ Recently, we launched k-NN similarity search feature on Open Distro for Elasticsearch. We are excited for the community to try out this feature and welcome you to come join in and contribute in building additional capabilities into Open Distro for Elasticsearch. A k-nearest neighbors (k-NN) algorithm is a technique for performing similarity search: given a query data point, what are the k data points in an index that are most similar to the query? k-NN is largely pop.......
Docker init 를 이용한 Defunct Processes in Docker 해결 [내부링크]
docker-init Docker document 를 살펴보면 다음과 같은 설명을 볼 수 있다. Specify an init process You can use the --init flag to indicate that an init process should be used as the PID 1 in the container. Specifying an init process ensures the usual responsibilities of an init system, such as reaping zombie processes, are performed inside the created container. The default init process used is the first docker-init executable found in the system path of the Docker daemon process. This docker-init binary, included in the default installation, is backed by tini. docker run 수행 시 --init 옵션이 주.......
우분투 /usr/share/zoneinfo/iso3166.tab: No such file or directory [내부링크]
(base) root@d215bbae4de2:/home/lap# tzselect /usr/bin/tzselect: line 180: /usr/share/zoneinfo/iso3166.tab: No such file or directory /usr/bin/tzselect: time zone files are not set up correctly ->> apt-get install tzdata 로 설치
[AWS] 완전관리형 ML서비스 Amazon SageMaker 서비스들 정리 [내부링크]
https://honglab.tistory.com/59 Amazon SageMaker란? 모든 개발자 및 Data Scientist들이 ML(Machine Learning) 모델을 빠르게 구축, 훈련 및 배포할 수 있도록 하는 모듈식의 완전 관리형 서비스 사용 서비스들 # ML 모델 [준비] Part Amazon SageMaker Ground Truth AI가 예측을 하려면 수많은 데이터에 라벨링 작업을 해야 한다 이는 노가다성이 굉장히 짙고 시간이 오래걸린다 -> Ground Truth로 자동화 ML을 위한 고도로 정확한 훈련 데이터 세트를 손쉽게 구축할 수 있게 해주는 완전관리형 데이터 레이블링 서비스 Amazon SageMaker Data Wrangler (NEW) ML 위한 데이터 전처리 시간 단축(데이터 특성 파악, 가공 및 집계) 데이터를 가.......
pix2pix (2016) 논문리뷰 [내부링크]
#GAN #pix2pix pix2pix (2016) 논문리뷰 (velog.io) original paper : Image-to-Image Translation with Conditional Adversarial Networks 바쁜 사람들을 위한 요약 : 다양한 image-to-image translation task를 수행하는 general-purpose GAN을 제안. 네트워크 구조나, 목적함수에 변경 없이 다양한 이미지 변환 task를 수행할 수 있음. 저자들은 이를 '모델이 데이터에 적응하는 loss를 학습한다'라고 표현하고있음. convolutional conditional GAN을 backbone으로 하였고, 목적함수에 L1 loss 추가한게 다임. 구체적으로 generator는 U-net 구조를 본땄고, discriminator는 patchGAN의 것을 사용. Contents Abstract Introduction .......
Progressive GAN 2017/ progressive growing of GANs for improved quality, stability, and variation [내부링크]
#GAN #ProgressiveGAN Progressive GAN 논문리뷰 / progressive growing of GANs for improved quality, stability, and variation (2017) (velog.io) original paper : https://arxiv.org/pdf/1710.10196.pdf 어려운 GAN훈련을 위해 새로운 train methodology를 제안한 논문으로, 생성 품질이나 훈련 비용측면에서 큰 개선을 가져와 이후의 GAN 연구들에 적지않은 영향을 미친 논문이다. 거두절미하게 핵심적인 부분들만 리뷰합니다. 0. Abstract key idea는 Generator와 Discriminator를 점진적으로(progressively) 키우자(grow)는 것으로, 처음에 매우 저해상도 이미지를 가지고 아주 얕은 네트워크에서 시작해서 새로운 layer들을 하나하나 추.......
DeiT: Training data-efficient image transformers & distillation through attention [내부링크]
#DeiT Summary 1. 본 논문에서 제안하는 방법인 DeiT는 vision transformer (ViT)을 distillation으로 학습시킨 image classification 모델이다. DeiT의 main contribution은 ViT 모델을 학습시키는 방법에 있기 때문에, 모델의 구조적인 차별성은 거의 없다 (사실 전혀 없다고 봐도 무방한 것이 ViT에서 channel 숫자만 바꾸는 정도의 수정만을 가하였다). 2. DeiT는 Distillation 방법을 통해서 기존 ViT 모델의 한계를 극복할 수 있음을 주장한다. ViT의 문제점은 Transformer의 구조적인 한계로 인해 image 데이터를 학습할 때 CNN과는 달리 이미지 처리에 유리한 inductive bias (locality와 translation equivariance 와 같은 CNN 모델 고.......
딥러닝과 표현학습(representation learning) 관점에서의 VAE. Auto-Encoding Variational Bayes 리뷰 (1) [내부링크]
딥러닝과 표현학습(representation learning) 관점에서의 VAE. Auto-Encoding Variational Bayes 리뷰 (1) (velog.io) 1. Representation Learning 같은 데이터라도 그것을 다루는 주체나 사용목적에 따라 다양하게 표현될 수 있다. 예를들어 구불구불한 산길을 지나고 있는 자동차의 위치에 관심이 있다고 했을 때, 인공위성은 이것을 (위도,경도,고도)의 3차원 벡터로 나타낼 수 있을 것이고, 네비게이션은 이것을 (기준점으로부터의 거리)의 1차원 벡터로 나타낼 수 있을 것이다. 다음으로 이미지 데이터를 살펴보자. 이미지는 픽셀이라는 단위와 픽셀이 가질 수 있는 폭넓은 수치값을 통해 수치적인 데이터로 다룰 수 있게 되는데, 기계학습.......
Generative Adversarial Nets; GAN (NIPS'14) 논문리뷰 [내부링크]
Generative Adversarial Nets; GAN (NIPS'14) 논문리뷰 (velog.io) #GAN #GenerativeAdversarialNets Overview (image source : https://medium.com/@devnag/generative-adversarial-networks-gans-in-50-lines-of-code-pytorch-e81b79659e3f#.sftu3z64g) Adversarial Learning이라는 개념을 생성모델에 처음 적용한 새로운 프레임워크 generator와 discriminator 두 모델을 경쟁적으로 학습시켜 둘 모두를 동시에 최적화함. 데이터의 분포에 대한 명시적인 가정없이 데이터 생성이 가능함. 그 당시 생성모델연구에서 주로 사용되던 MC method나 Approximate Inference등에 의존하지 않음. VAE와 비슷하게 훈련과정에서 latent space를 학습.......
DCGAN / Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks [내부링크]
#GAN #DCGAN DCGAN 논문리뷰 / Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, 2015 (velog.io) [DCGAN paper link] CONTENTS Abstract Introduction Approach and Model Architecture Details of Adversarial Training Empirical Validation of DCGANs Capabilities Investigating and Visualizing the Internals of the Networks Conclusion and Future Work Related Work (생략) 0. Abstract 최근(당시 2016) 지도학습 방식의 CNN이 컴퓨터비전 어플리케이션들에 아주 잘 범용적으로 적용되어오고 있는데, 그에 반에 비지도학습 방식의 CNN은 많이 주목 못받았음. 본 연구에서 강력한 비지.......
Conditional Generative Adversarial Nets, CGAN (2014) 논문리뷰 [내부링크]
#GAN #CGAN Conditional Generative Adversarial Nets, CGAN (2014) 논문리뷰 (velog.io) 기본 GAN에 부가적인 정보를 함께 주입하여 생성 결과물을 통제할 수 있는 연구에 관한 논문이다. original paper 분량이 매우 적은편에 속하며 내용도 직관적이라 GAN에 대한 사전지식이 있으면 가볍게 읽으실 수 있을 듯. Contents Abstract Introduction Related Work Conditional Adversarial Nets Experimental Results Future work는 생략 0. Abstract 본 연구에서는 2014년 제안된 참신한 생성모델 GAN의 조건부 버전을 다룬다. 이 모델은 단순히 데이터와 보조변수 y를 함께discriminator와 generator 둘 모두에게 전달하므로써 구축할 수 있으며.......
InfoGAN (2016) 논문리뷰 (velog.io) [내부링크]
#GAN #InfoGAN InfoGAN (2016) 논문리뷰 (velog.io) InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets Contents Abstract Introduction Mutual Information for Inducing Latent Codes Variational Mutual Information Maximization Implementation Experiments Conclusion KEYWORDS : Representation learning, Disentangled representation, Mutual information 0. Abstract GAN을 정보이론을 활용하는 쪽으로 확장한 InfoGAN은 완전한 비지도학습 방식으로 분리된 표현(disentangled representation)을 학습할 수 있다. 이를 위해 본 연구에서는 latent variable과 observation간에 상.......
Transformer - Harder, Better, Faster, Stronger [내부링크]
#transformer 기존 구조에서는 문장을 “단어의 연속적인 배열”로 간주하였습니다. 그러나 Transformer에서 문장은 “단어간의 Attention들의 합”으로 나타납니다. 즉, 문장이라고 하는 구조는 마치 베틀처럼 Attention을 촘촘하게 엮은 형태로 나타낼 수 있는 것입니다. Transformer 구조체와 이 구조를 향상시키기 위한 기법들을 같이 알아봅시다. 이번 블로그에서는 2017년에 발표되어 자연어처리 분야의 한 획을 그었던 Transformer 구조와 이를 활용한 GPT / BERT 구조에 대해서 다룹니다. 아울러 어떠한 문제들이 있었고 연구자들이 어떻게 그 문제들을 풀려 노력했는지에 대해서 같이 알아보고자 합니다. 들어가며: Transformer 에 대해.......
ubuntu dns 설정 [내부링크]
#ubuntu #dns ubuntu dns 설정 방법을 여러가지로 써봐도 적용되지 않는다. 1. /etc/resolv.conf 에서 nameserver 8.8.8.8로 수정하자. 2. netstat -r 명령어를 사용하여 다시 세팅한다
[yolov4-tiny] darknet to caffe [내부링크]
#yolov4-tiny #darknet2caffe 【darknet转caffe】yolov4-tiny_加盐-CSDN博客 yolov4-tiny에는 아래와 같은 레이어가 추가 되었다. [route] layers=-1 groups=2 group_id=1 caffe로 변경시 위 블로그 내용을 보고 코드를 수정하여 적용하였다.
Metric Learning(Image Retrieval) 이란? [내부링크]
#metriclearning #imageretrieval Metric Learning(Image Retrieval) 이란? - 기본 (tistory.com) 우여곡절 끝에, 데이터를 모아서 딥러닝을 학습하려고 봤더니 문제가 생겼습니다. 매일 분류해야 되는 대상이 변경된다는 겁니다. 분류(class) 대상이 매일 바뀌는 경우, 우리는 어떻게 문제를 해결해야 될까요? 대표적인 사례로는 얼굴인식(Face Recognition)이나 상품 검색(Image Retrieval) 등이 있습니다. == 사람, 상품, 얼굴의 피처를 추출하여 db에 저장하고 추론할때 비교 검색한다. 1. softmax 2. distance기반(contrastive, triplet) 3. margin 기반(arc, cosine) Metric Learning 특징 두 Task에는 두 가지 공통점이 있습니.......
[pytorch] AttributeError: DistributedDataParallel has no attribute [내부링크]
[pytorch] AttributeError: DistributedDataParallel has no attribute :: whiteBoard (tistory.com) 학습된 모델과 파라미터를 로드해 특정 레이어를 제외한 나머지 레이어의 _weight_을 freeze하고 finetuning하고자 하다가 또 어이없는 실수를 하고 말아 다시 정리한다. apex.parallel DistributedDataParallel 을 이용해 학습 DistributedDataParallel 을 이용해 학습 도중 _model.state_dict()_을 저장 학습 하던 모델에서 backbone 및 특정 _head_의 _weight_만 학습 시키기 위해 학습을 원하지 않는 _tensor_의 _requires_grad_를 _False_로 세팅 한다. 대략 적인 코드는 다음과 같다. 위와 같은 작업 흐름을 따라 갈 경우 아래와 같은 에.......
Vision Transformer(ViT, 2020) [내부링크]
#vit #transformer #classification 작년부터 꾸준하게 vision분야에서 transformer를 사용한 논문이 나오고 있습니다. object detection 분야에서는 아직 성능이 떨어지지만, classification영역에서는 이제 transformer가 sota를 차지하고 있어서 앞으로 transformer 관련 논문 리뷰를 하고자 합니다. vit는 3억개 이상의 데이터를 사용하여 classification분야에 sota를 달성하였습니다. [논문 읽기] Vision Transformer(ViT, 2020), An Image is Worth 16x16 Words, Transformers for Image Recognition at Scale (tistory.com) [논문요약] Vision분야에서 드디어 Transformer가 등장 - ViT : Vision Transformer(2020) (tistory.com) 안녕하.......
Why Transformers are Slowly Replacing CNNs in Computer Vision? [내부링크]
#transformer #vision #MLP #LSTM transformer는 자연어 처리에서 lstm을 대체하였습니다. vision분야에서도 transformer 계열 알고리즘이 sota를 차지하고 있고, 앞으로 cnn보다 transformer 계열 알고리즘이 더 많이 사용될 것 같습니다. CNN과 Transformer의 차이점은 cnn은 transformer와 다르게 다른 피쳐간의 상대적 위치를 인코딩하지 않는 것입니다. Why Transformers are Slowly Replacing CNNs in Computer Vision? | by Pranoy Radhakrishnan | Aug, 2021 | Becoming Human: Artificial Intelligence Magazine Before getting into Transformers, let’s understand why researchers were interested in building something like Tran.......
Image Classification Paper List(1998~2021) [내부링크]
#classification #image #paper #list Image Classification Paper List(1998~2021) (tistory.com) Image Classficaiton Task와 관련하여 1998년부터 2021년까지 제안된 다양한 딥러닝 기반 논문들에 대해 Years 별로 목록를 만들어봄. Network Name은 저자가 특별히 칭한 경우에는 약어로, 그렇지 않은 경우에는 Full Name으로 표기함. 또한, 논문에서 따로 명시를 하지 않은 경우에는 실험에 사용된 Network Name으로 표기함. 논문들은 https://archive.org/ 를 기준으로 정리했으며, 제출년도가 동일한 논문들은 제출날짜 별로 따로 정렬하지 않았음. 또한, 논문이 여러 버전을 가지고 있는 경우에는 최초에 제출된 버전을 기준으로 제출년도.......
FCN 논문 리뷰 — Fully Convolutional Networks for Semantic Segmentation [내부링크]
#semanticsegmentation #fcn #fullyconvolutionalnetwork Fully Convolutional Networks for Semantic Segmentation(이하 FCN)은 이미 제목에 드러난 것처럼 Semantic Segmentation 문제를 위해 제안된 딥러닝 모델이다. FCN은 Semantic Segmentation 모델을 위해 기존에 이미지 분류에서 우수한 성능을 보인 CNN 기반 모델(AlexNet, VGG16, GoogLeNet)을 목적에 맞춰 변형시킨 것이다. 이러한 [Image classification model] to [Semantic segmentation model]은 크게 다음의 세 과정으로 표현할 수 있다: Convolutionalization Deconvolution (Upsampling) Skip architecture 이번 리뷰의 핵심은 각 과정에 대한 방법과 의미를 이해하는 것이다.......
U-Net 논문 리뷰 — U-Net: Convolutional Networks for Biomedical Image Segmentation [내부링크]
#imagesegmentation #unet U-Net 논문 리뷰 — U-Net: Convolutional Networks for Biomedical Image Segmentation | by 강준영 | Medium U-Net은 Biomedical 분야에서 이미지 분할(Image Segmentation)을 목적으로 제안된 End-to-End 방식의 Fully-Convolutional Network 기반 모델이다. 네트워크 구성의 형태(‘U’)로 인해 U-Net이라는 이름이 붙여졌다. U-Net은 이미지의 전반적인 컨텍스트 정보를 얻기 위한 네트워크와 정확한 지역화(Localization)를 위한 네트워크가 대칭 형태로 구성되어 있다. Expanding Path의 경우 Contracting Path의 최종 특징 맵으로부터 보다 높은 해상도의 Segmentation 결과를 얻기 위해 몇 차례의 Up-sampling.......
python 3.x has_key 없어짐!!!! [내부링크]
#python2 #python# #has_key() python 2.7.5 버전을 사용하다가 python 3.x 버전을 사용하니 has_key() 를 사용하지 못하게 되었다. 따라서, 이 것을 대응 할 수 있는 함수가 바로 in 어떻게 사용하는지 예시로 남긴다. [초기 값] [has_key 이용 - 3.x 이전 버전] [in 이용 - 3.x 이후 버전] 출처: https://crattack.tistory.com/entry/python-3x-haskey-없어짐 [Security & Reverse]
YOLOR : You Only Learn One Representation: Unified Network for Multiple Tasks REVIEW [내부링크]
#YOLOR #ObjectDetection WongKinYiu/yolor: implementation of paper - You Only Learn One Representation: Unified Network for Multiple Tasks (https://arxiv.org/abs/2105.04206) (github.com) YOLOR모델은 Scaled-yolov4 p7 보다 88% fps가 증가하였습니다. YOLOR에 대한 내용은 계속 이 포스팅에 정리하도록 하겠습니다. activation function은 silu(swish) activation이 적용되었습니다. (leaky relu, mish 테스트 필요) torch(training) -> darknet -> caffe convert 새로 추가된 레이어 목록입니다. https://deep-learning-study.tistory.com/739 해당 논문은 explicit knowledge와 implicit knowledge를 함께 사용하여 예측하.......
Semantic segmentation과 Instance segmentation의 차이 [내부링크]
#segmentation #instancesegmentation #semanticsegmentation <Introduction> 컴퓨터 비전에는 크게 4가지의 과제가 있다. 1. Classification 2. Object Detection 3. Image Segmentation 4. Visual relationship 이 글에서는 이 중 3. Image Segmentation에 관해 다룰 예정이다. 먼저 Image Segmentation 이전의 과제들인 Classification과 Object Detection에 대해 간단히 설명하자면 Classification은 Image가 주어졌을때 이 이미지가 어떤 사진인지, 어떤 Object를 대표하는지 분류하는 문제이다. 따라서 위 그림에서 고양이의 위치가 아래 예시와 같이 변하여도 Classification에서는 똑같이 고양이라고 분류해야한다. 이를 "tra.......
[Paper Review] YOLACT : Real-time Instance Segmentation [내부링크]
#InstanceSegmentation #YOLACT #Real-timeInstanceSegmentation You Only Look At CoefficienTs 이번 ICCV 2019 에 발표된 YOLACT 논문이다. 파이토치로 구현되어있다. https://github.com/dbolya/yolact Abstract YOLACT 는 Instance Segmentation 를 수행하기 위해 단순한 컨볼루션 모델을 제시한다. 이는 MS COCO 기준 29.8 mAP 및 33.5 fps 를 달성하여 실시간으로 객체를 탐지할 수 있다. 처음엔 프로토타입 마스크 세트를 생성하고, 인스턴스 별 마스크 계수(coefficient)를 예측한다. 그 다음 프로토타입을 마스크계수와 선형으로 결합하여 인스턴스 마스크를 생성하게 된다. 이 프로세스는 repooling에 의존하지 않기 때문에 고품질의 마.......
Antimalware Service Executable CPU 점유율 문제 해결 방법 [내부링크]
#AntimalwareServiceExecutable #AntimalwareServiceExecutablememory #AntimalwareServiceExecutable메모리 #AntimalwareServiceExecutablecpu Antimalware Service Executable CPU 점유율 문제 해결 방법-EaseUS Antimalware Service Executable의 CPU/디스크 점유율이 높음 윈도우 10에는 Microsoft의 내장 안티바이러스인 윈도우 디펜더가 포함되어 있습니다. Antimalware Service Executable프로세스는 윈도우 디펜더의 백그라운드 프로세스입니다. 이 프로그램은 MsMpEng.exe라고도 하는데 윈도우 운영 시스템의 일부입니다. Antimalware Service Executable는 위험한 소프트웨어를 확인하기 위해 백그라운드 시스템 검사를 수행하며, 바이.......
SAHI: A vision library for performing sliced inference on large images/small objects [내부링크]
#slicedinference SAHI: A vision library for performing sliced inference on large images/small objects | by Fatih Cagatay Akyon | Codable | Medium Github: https://github.com/obss/sahi 개체 감지 및 인스턴스 세분화는 컴퓨터 비전에서 가장 중요한 응용 분야입니다. 그러나 작은 물체를 감지하고 큰 이미지에 대한 추론은 여전히 실용적인 사용의 주요 문제입니다. 여기에서 아트 인스턴스 세분화 모델 캐스케이드 마스크 RCNN의상태의 추론 결과를 볼 수 있습니다. 보시다시피, 상부에 있는 작은 차는 감지되지 않습니다. 모델을 재교육하지 않고 더 큰 GPU 메모리 할당이 필요하지 않은 이러한 작은 개체를 감지하는 방법이 있습니.......
converting the model to the wk model supported by the NNIE framework: tensorflow->caffe [내부링크]
tensorflow -> onnx -> Caffe pytorch -> onnx -> Caffe 변경 시, opset 9로 세팅하자 Abstract: This series of articles aims to share the tensorflow->onnx->Caffe->wk model conversion process, mainly for the HI3516CV500, Hi3519AV100, and the algorithm engineering landing of the HiSilicon chip that supports the NNIE inference framework. This article is shared from the HUAWEI cloud community " converts the model to the wk model supported by the NNIE framework-taking the tensorflow framework as an example (1) ", the original author: wwwyx_ ^^ . Students who have used th.......
HiSilicon NNIE Hi3559 quantitatively deploys Retinaface model [내부링크]
HiSilicon NNIE Hi3559 quantitatively deploys Retinaface model Reference blog post: Hanson: RetinaFace quantitative deployment of Hisilicon NNIE Face detection: RetinaFace (open source simplified version) detailed interpretation Environment introduction Operating System: Windows 10 Simulation tool: Ruyi Studio 2.0.31 Development platform: Hi3559AV100 Model: Mobilefacenet Framework: caffe Introduction to Retinaface Retinaface is a face detection model proposed by Insight Face in 2019. The author provides three basic network support. ResNet50 and ResNet152 versions based on ResNet can provide bet.......
Imbalance Problems in Object Detection : 객체 검출 분야의 불균형 문제 A Review(2) [내부링크]
Imbalance Problems in Object Detection : 객체 검출 분야의 불균형 문제 A Review(2) (tistory.com) 해당 논문은 part1~part3까지 포스팅될 예정입니다. 2020/11/02 - [지식 저장소] - Imbalance Problems in Object Detection : 객체 검출 분야의 불균형 문제 A Review(1) 2020/11/03 - [지식 저장소] - Imbalance Problems in Object Detection : 객체 검출 분야의 불균형 문제 A Review(3) 5 Imbalance 2 : Scale Imbalance 이번 장에서는 두가지의 불균형을 다룬다. Object /Box-Level Scale 불균형 문제와 Feature 불균형의 문제를 다룬다. 5.1 Object/Box-Level Scale Imbalance Definition Scale 불균형은 객체의 사이즈 또는 input BBo.......
ResNeXt 리뷰 [내부링크]
#ResNeXt [논문 리뷰]ResNeXt (tistory.com) 흔히 알고 있는 ResNet을 한 단계 성능을 향상시킨 논문을 소개 하겠습니다. ResNeXt라고 알려져 있는 네트워크의 논문 제목은 Aggregated Residual Transformation for Deep Neural Networks라는 제목으로 2017년 CVPR에 올라왔습니다. 1. Introduction 이 논문에서 소개하는 architecture의 구성 방식은 VGG와 ResNet이 사용하는 방식인 같은 layer들을 반복하는 것이다. 추가적으로 inception에서 사용되는 것과 비슷한 1개의 input을 여러 방향으로 쪼개는 split transform merge방식을 이용한다. Inception-ResNet과 다른 점은 각 path별로 같은 layer구성을 가지고 있다는 점이다. 이는 grouped.......
CSPNet : CNN의 학습능력을 향상 시킬 수 있는 새로운 Backbone [내부링크]
#CSPNet 출처: https://keyog.tistory.com/30 [인간지능이 인공지능을 공부하는 장소] SOTA를 확인하다 읽었던 CSPNet에 대해 작성해보려고 한다. 논문의 제목은 CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN 으로 직역 하자면 이 포스팅의 제목과 같이 CNN의 학습능력을 향상 시킬 수 있는 새로운 백본 이라고 한다. 엄청나게 자신감 있는 논문 제목이라고 느껴진다. 그럼 논문에 내용에 대해 정리해보겠다. 요약 요약의 첫 시작 부분에는 신경망은 컴퓨터 비전 영역에서 놀라운 발전을 이뤘지만 이 고급 기술들은 값싼 장치를 가진 사람들에게 이용되지 못하고 있다고 소개하고 있다. (실제로 GPU없는 환경에서 딥러닝.......
Image Data Augmentation Overview [내부링크]
#DataAugmentation Image Data Augmentation Overview (hoya012.github.io) 안녕하세요, 오늘은 Image Recognition 분야에서 거의 필수로 사용되는 Data Augmentation, 데이터 증강 기법들을 정리해볼 예정입니다. “A survey on Image Data Augmentation for Deep Learning” 논문을 기반으로 제가 공부했던 내용들을 정리했으며, 여러 방법론들의 핵심만 짧게 소개드릴 예정입니다. Data Augmentation 기법이란? Data Augmentation은 데이터의 양을 늘리기 위해 원본에 각종 변환을 적용하여 개수를 증강시키는 기법입니다. 위의 그림과 같이 original training data의 비어 있는 data point 들을 Augmentation을 통해 채운다고 표현하기도 합.......
Supercharge your computer vision models with synthetic datasets built by Unity [내부링크]
Supercharge your computer vision models with synthetic datasets built by UnityUnity が構築した合成データセットを使ってコンピュータービジョンモデルを超強化しよう - Unity Technologies Blog (unity3d.com) Building a quality synthetic dataset is both an art and a science. We’ve described the concept of synthetic data before, and we’ve shown how synthetic data can improve the performance of computer vision models while dramatically decreasing the total time and cost. Our expert team of computer vision scientists is constantly augmenting our portfolio of synthetic data strategies across a range of .......
Imbalance Problems in Object Detection : 객체 검출 분야의 불균형 문제 A Review(3) [내부링크]
Imbalance Problems in Object Detection : 객체 검출 분야의 불균형 문제 A Review(3) (tistory.com) 해당 논문은 part1~part3까지 포스팅될 예정입니다. 2020/11/02 - [지식 저장소] - Imbalance Problems in Object Detection : 객체 검출 분야의 불균형 문제 A Review(1) 2020/11/03 - [지식 저장소] - Imbalance Problems in Object Detection : 객체 검출 분야의 불균형 문제 A Review(2) Imbalance 4 : Objective Imbalance Definition Objective Imbalance는 훈련 과정 loss function이 최소화되는 것과 관련이 있다. (i)Task에 따라 기울기의 Norm 규칙들이 하나의 작업에 지배 될 수 있다. (ii)Task에 따라 Loss function 의 범위가 다.......
Review — CornerNet: Detecting Objects as Paired Keypoints (Object Detection) [내부링크]
#CornerNet CornerNet 짧은 리뷰 (velog.io) CornerNet은 keypoint-based one-staged object detector이다. 왼쪽위, 오른쪽 아래 두 지점을 예측해서 경계박스를 만든다. MS-COCO 데이터셋에서 무려 42.2% AP라는 성능을 보여준다. Hourglass backbone을 써서 top-left, bottom-right 히트맵을 결과물로 뱉어낸다. Embedding은 left-top, right-bottom 코너들의 pair를 계산해서 경계 박스를 구성할때 쓰여진다. 다른 network도 backbone으로 사용해보았으나 hourglass가 가장 성능이 우수하여 선택했다고 한다. Corner Pooling 각 코너들의 히트맵을 예측할때 object의 가장자리에 있는 코너들은 local evidence나 pattern이 대부분 부족하다. C.......
(CenterNet) Objects as Points [내부링크]
#CenterNet (CenterNet) Objects as Points (starall.kr) 두 가지 종류의 CenterNet이 있다 하나는 본 논문 Objects as Points 나머지 하나는 CenterNet: Keypoint Triplets for Object Detection 둘다 arxiv.org 기준으로 19.04에 등재되었다. 지난번 소개한 CornerNet 과 같이 keypoint heatmap 방식으로 object detection을 수행하는 논문들이 늘고 있는데 본 논문도 그런 흐름위에 있다. Centernet의 특징은? - 별도의 anchorbox없이 object detection을 object의 중앙에 놓인 point의 heatmap으로 결정한다는 점 - 중앙 point의 feature값으로 detection뿐 아니라 object size, dimension, 3D extent, orientation, pose등도 regression할 수.......
CenterNet2: Probabilistic two-stage detection 리뷰 [내부링크]
#CenterNet2 Probabilistic two-stage detection - 知乎 (zhihu.com) 이 논문에서는 Two-Stage의 페더레이션 확률 목표의 범위를 최적화하여 표준 Two-Stage 검출기 교육을 개선하는 간단한 방법을 제안합니다. 이 실험에 따르면 CenterNet2 검출기는 단일 스케일 테스트를 통해 COCO 테스트 및 개발에서 56.4mAP에 도달하여 게시된 모든 결과보다 우수합니다. 1 소개 우리 모두는 대상 감지의 목적이 이미지의 모든 대상을 찾고 해당 위치 및 특정 범주에 속하는 확률을 식별하는 것입니다. One-Stage 대상은 프레임워크에서 위치와 범주를 공동으로 유추할 확률을 감지합니다. 이를 학습하여 상자의 정밀도와 예측 확률의 정밀도를 최대화하고.......
GAN(Generative Adversarial Networks) 논문 리뷰 [내부링크]
#GAN #GenerativeAdversarialNetworks GAN(Generative Adversarial Networks) 논문 리뷰 (tistory.com) 01. Taxonomy of Machine Learning GAN 모델을 설명하기 전에 딥러닝을 크게 두 가지로 나누면, 1) Supervised Learning과 2) Unsupervised Learning이 있다. A. Supervised Learning 지도 학습 대표적인 모델로 Discriminative Model이 있으며, 로지스틱 회귀분석, 뉴럴 네트워크 등이 해당된다. Input에 해당하는 클래스를 맞추기 위해 학습하게 된다. 예를 들어 남자냐, 여자냐를 구분하는 것이다. B. Unsupervised Learning 비지도 학습 label이 없는 데이터를 잘 학습하는 것이다. Generative Model에는 Naive Bayes, Gaussian discrimi.......
Imbalance Problems in Object Detection : 객체 검출 분야의 불균형 문제 A Review(1) [내부링크]
#object detection #객체검출불균형 #imbalancedata 해당 논문은 객체 검출 영역에서 다양한 불균형 문제들을 검토하고 식별하는 논문입니다. 34페이지 짜리의 굉장히 긴 논문이며, object detection 부터 classification을 공부하시고 연구하시는 분들에게 굉장히 도움이 될거 같아서 정리를 블로그에 공유하게 되었습니다. 해당 논문에서는 object detection의 기본적인 용어 및 개념부터 과거부터 최신논문의 연구동향을 파악하기 좋고 실제 학습하고 실험하시는 분들이 겪을 여러 문제들에 대해서 참고가 될 내용이 많아 최대한 자세히 작성하였으니 도움이 되길 바랍니다. 그럼 바로 논문 리뷰 시작합니다. 해당 논문은 part1~part3까지 포.......
ffmpeg 해상도 조절하기 [내부링크]
#ffmpeg #scale #해상도조절 > ffmpeg -i [입력 영상 파일 이름] -vf "scale=[변환할 영상 크기]" [변환해 저장할 영상 파일 이름] scale 옵션에는 아래와 같은 방법으로 해상도를 입력해주면 된다. scale=640x480 scale=800x480 scale=1280x720 scale=1920x1080 예를 들어 다음과 같이 변경하고 싶다면 입력 영상 파일 : in.mp4 변환해 저장할 영상 파일 : out.mp4 변환할 크기 : 1280x720 아래와 같이 입력하면 된다. > ffmpeg -i in.mp4 -vf "scale=1280x720" out.mp4
SpecAugment 리뷰 [내부링크]
#SpecAugment SpecAugment 리뷰 :: Kaen의 일상생활 (tistory.com) 이번 논문은 음성 인식에서 널리 사용되고 있는 증강 기법인 SpecAugment [1]이다. 논문은 arxiv.org/abs/1904.08779에서 확인할 수 있다. Intro, related works 기존의 음성 인식을 위한 증강 기법은 아래와 같았다. 1) Noise Injection Numpy를 사용하여 데이터에 임의의 값을 추가하여 증강하는 기법 (잡음 추가) 2) Shifting time 임의의 ms로 오디오를 왼쪽 / 오른쪽으로 이동 n_ms를 사용하여 오디오를 왼쪽으로 이동하면 처음 n_ms초는 0(무음)으로 표시 n_ms를 사용하여 오디오를 오른쪽으로 이동하면 마지막 n_ms가 0(무음)으로 표시됨 3) Changing pitch 무작위로 pit.......
Fast and Accurate Model Scaling 리뷰 [내부링크]
Fast and Accurate Model Scaling 리뷰 (hoya012.github.io) #modelscaling 안녕하세요, 오늘은 CVPR 2021에서 발표 예정인 Facebook Research의 “Fast and Accurate Model Scaling” 논문을 소개드릴 예정입니다. 제목에서 유추가 가능하 듯 모델의 크기를 조절해주는 (Scaling) 방법을 다룬 논문이며, 항상 모델의 크기를 키워주면 정확도가 좋아지지만 그에 따라서 처리 속도가 느려 지는 Trade-off 관계를 가지는데 이를 잘 타개하기 위한 방법을 제안한 논문입니다. 이 논문과 관련 있는 연구들이 EfficientNet과 RegNet인데 두 연구 모두 제가 정리한 적이 있는데요, 이 두 연구를 잘 모르시는 분들은 먼저 이 자료들을 보고 오시는 것을.......
[EH]EHang MSCI China Small Cap Index와 MSCI China All Shares Small Cap Index 편입 [내부링크]
#EH #EHang #MSCI (4) EHang's ADR (Nasdaq: EH) will be added to the MSCI China Small Cap Index and MSCI China All Shares Small Cap Index, both effective as of market close on May 27, 2021. : ehangstock (reddit.com) EHang's ADR (Nasdaq: EH) will be added to the MSCI China Small Cap Index and MSCI China All Shares Small Cap Index, both effective as of market close on May 27, 2021. EHang의 ADR(나스닥: EH)은 MSCI China Small Cap Index와 MSCI China All Shares Small Cap Index에 추가되며, 두 종목 모두 2021년 5월 27일 종가 기준 발효된다.
머신러닝 모델의 블랙박스 속을 들여다보기 : LIME [내부링크]
머신 러닝 모델에 대해서 예측의 이유를 설명하는 것은 어렵습니다. 모델이 복잡해질수록 예측의 정확도는 올라가지만, 결과의 해석은 어려워지죠. 그렇기 때문에 많은 머신 러닝 모델들이 블랙박스라고 불립니다. 하지만 모델이 ‘왜’ 그렇게 작동하는지 아는 것은 중요합니다. 의사가 “인공 지능이 이렇게 하래요"라고 말하면서 환자를 수술하지는 않겠죠. 은행에서 의심스러운 거래를 차단하는 경우에도 차단당한 이용자는 설명을 요구할 것입니다. 하물며 Netflix에서 볼 영화를 선택할 때도, 추천 영화에 시간을 투자하기 전에 어느 정도의 모델에 대한 신뢰감은 필요합니다. 모델의 예측의 근거를 이해하는 것은 언제 모델을 신뢰할.......
개체 감지에서 작은 개체를 처리하는 방법? [내부링크]
#FPN #SAN #SNIP How to deal with small objects in object detection? | by Nabil MADALI | DataDrivenInvestor 딥 러닝 대상 감지, 특히 얼굴 감지에서 작은 표적과 작은 얼굴의 검출은 낮은 해상도, 흐린 사진, 적은 정보 및 더 많은 소음으로 인해 항상 실용적이고 일반적인 어려운 문제였습니다. 그러나 지난 몇 년 동안의 개발에서, 작은 목표 검출의 성능을 개선하기위한 몇 가지 솔루션도 등장했다. 이 문서에서는 이러한 메서드를 분석, 구성 및 요약합니다. 이미지 피라미드 및 다스케일 슬라이딩 윈도우 감지 처음에는 딥 러닝 방법이 인기를 끌기 전에 서로 다른 스케일의 대상을 위해 원본 이미지에서 해상도가 다른 이미지 피라미.......
Paper Review: Swin Transformer: Hierarchical Vision Transformer using Shifted Windows [내부링크]
#swintransformer Paper Review: Swin Transformer: Hierarchical Vision Transformer using Shifted Windows - Maksim Zhdanov (xzcodes.github.io) Paper link Code available here (no implementation at the moment of writing this review) An amazing paper from Microsoft Research Asia presents a brand new vision Transformer called Swin Transformer that can serve as a backbone just like usual CNNs in computer vision and Transformers in natural language processing (NLP). There are two main problems with the usage of Transformers for computer vision. - Firstly, existing Transformer-based models have tokens o.......
논문을 파파고/구글번역에 ctrl+c/v 할 때 해결책 [내부링크]
#파파고 #구글번역 #논문번역 #논문번역사이트 논문을 번역하여 읽을 때, 우리가 가장 짜증내하지만 결국 해야하는 작업이 있다면 그것은 delete + enter 하는 작업이다. 그 이유는 논문들은 보통 pdf로 되어있고, 그것을 복붙해다가 붙이면 다음과 같이 뭣같은 현상이 발생된다.. 끔찍한 번역과 동시에 끔찍한 pdf 복붙 이런 문제를 해결하기 위해, 1년전 필자는 word로 바꾸는 프로그램을 제안했었다. 그러나 이보다 더 괜찮은 해결책을 발견했으니, 그것은 바로 XODO PDF Reader를 사용하여 PDF를 열고, 번역기에 복붙하는 것이다. XODO 프로그램은 PDF reader 중 한 프로그램으로 논문을 보는 학생들에게 특히 인기있는 뷰어이다. (물론, 어.......
[우분투] 부팅시 서비스 자동실행 등록 [내부링크]
#ubuntu #부팅시스크립트 #부팅시자동실행 1. 서비스를 실행 할 스크립트 작성. - 위치 : /etc/init.d/ ex : /etc/init.d/setgpu.sh - 자동 실행 등록을 하면 해당 스크립트가 실행되어 서비스를 띄우게 된다. 2. 권한 부여 - chmod 777 /etc/init.d/[실행 스크립트이름] - ex : chmod 777 /etc/init.d/setgpu.sh 3. 서비스 등록 - update-rc.d [실행 스크립트 이름] defaults ex : update-rc.d setgpu.sh defaults defaults : runlevel 3, 5 4. 확인 - 재부팅하여 서비스 확인 출처: https://euless.tistory.com/85 [Bite the Bullet]
rtx 3080 pytorch 설치 [내부링크]
#rtx3080 #rtx3090 #rtx3070 #pytorch #pytorchinstall #pytorch설치 pytorch/pytorch: Tensors and Dynamic neural networks in Python with strong GPU acceleration (github.com) 깃허브 접속 해서 직접 받아야한다. pip 로 설치시 제대로 동작안함.
E: Sub-process /usr/bin/dpkg returned an error code (2)? 오류 해결 [내부링크]
E: Sub-process /usr/bin/dpkg returned an error code (2) sudo rm /var/lib/dpkg/available sudo touch /var/lib/dpkg/available sudo sh -c 'for i in /var/lib/apt/lists/*_Packages; do dpkg --merge-avail "$i"; done' sudo dpkg --configure -a sudo apt-get -f install sudo apt-get clean sudo apt-get update && sudo apt-get upgrade 긁어서 복붙하자
How to Fix NVIDIA-SMI has failed because it couldn‘t communicate with the NVIDIA driver. [내부링크]
#nvidia-smi #nvidia-smihasfailed #nvidia드라이버오류 nvidia driver apt-get으로 재설치시 안먹힐때, 한번에 해결했다. Error: Situation: Cuda: did install NVCC-V: messages appear Solution: 1) query the current NVIDIA driver version number 2) Install relevant tools 3) Reinstall the driver
x86_64-linux-gnu/"libdl.so.2": error adding symbols: DSO missing from command line opencv [내부링크]
cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D WITH_TBB=OFF \ -D WITH_IPP=OFF \ -D WITH_1394=OFF \ -D BUILD_WITH_DEBUG_INFO=OFF \ -D BUILD_DOCS=OFF \ -D INSTALL_C_EXAMPLES=ON \ -D INSTALL_PYTHON_EXAMPLES=ON \ -D BUILD_EXAMPLES=OFF \ -D BUILD_TESTS=OFF \ -D BUILD_PERF_TESTS=OFF \ -D WITH_QT=ON \ -D WITH_GTK=OFF \ -D WITH_OPENGL=ON \ -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib-4.0.1/modules \ -D WITH_V4L=ON \ -D WITH_FFMPEG=OFF \ -D BUILD_SHARED_LIBS=ON \ -D WITH_XINE.......
error while loading shared libraries: libopencv_highgui.so.4.1 [내부링크]
The error is as follows: /install/runYolov3: error while loading shared libraries: libopencv_highgui.so.4.1: cannot open shared object file: No such file or directory Reference link: QtOpenCV: error while loading shared libraries: libopencv_core.so.3.2: cannot open shared object fil 1, open the path cd /etc/ld.so.conf.d 2, create a file touch OpenCV.conf 3. Write in OpenCV.conf: /usr/local/lib Note: This path is the path after opencv install. The default path is /usr/local/lib, which is the path where the lib*.so library file is located. 4, execute commands in the terminal ldconfig
Ubuntu에서 Python 버전을 변경하는 방법 [내부링크]
Ubuntu에서 Python 버전을 변경하는 방법 (codechacha.com) 우분투(Ubuntu)를 설치하면 python path가 2.7로 설정되어 있습니다. 리눅스의 Alternatives를 이용하면 python 버전을 쉽게 변경하고 관리할 수 있습니다. Alternatives는 기본 커맨드의 심볼릭 링크를 관리해주는 리눅스 프로그램입니다. 데비안 계열의 리눅스(우분투)에서는 update-alternatives가 제공됩니다. update-alternatives에 대한 자세한 설명과 명령어는 manpages를 참고해주세요. 파이썬의 실행 위치 및 Alternative 설명 which python 명령어를 사용하면 현재 사용하는 파이썬이 어디에 설치되어있는지 알 수 있습니다. 파일 이름을 보면 실제 위치가 아니라, 심볼릭 링.......
ffmpeg mp4 to wav [내부링크]
#ffmpeg #mp4 #wav ffmpeg -i <infile> -ac 2 -f wav <outfile>
Effect of Training Images Missing Labels [내부링크]
#missinglabels #objectdetection #deeplearning #labelnoise That's an hard question. but I guess there is possible 3 scenarios. You might see these scenario by playing with this: https://playground.tensorflow.org but keep in mind that problem still very basic. Object detection is not. The learning process has some strategies to avoid noise, but the more noise you add, the more difficult it is. I've seen some model converging with high noise, but the conf given was between 0.1-0.01%. few missing labels, few mAP reduction because validation also has missing labels. Model will still predi.......
efficientnet과 efficientnet-lite 차이 [내부링크]
sam 블럭을 제거한다.
지능혁명(저자 바이두 리옌훙) [내부링크]
#인공지능 #인공지능의본질 #바이두 #빅데이터 #딥러닝 #검색엔진 #근로혁명 #사물인터넷 #데이터의멜서스함정 #4차기술혁명 출처: 지능혁명 : 네이버 블로그 (naver.com) 4차 산업혁명 시대 인공지능의 새로운 패러다임을 제시하고 있다. 독자들로 하여금 다가올 미래를 상상하게 한다. 저자부터가 주목을 끈다. 중국의 자랑이자 자존심 리옌홍(李彦宏)이다. 그는 현 바이두의 설립자이자 회장이다. 젊은 나이에 창업에 성공하여 바이두를 다국적기업으로 발돋움 시켰다. 바이두는 ‘중국의 네이버’, ‘중국의 구글’ 이라 불리운다. 중국 국민들은 핸드폰을 켜고 바이두와 함께 하루를 시작한다. 그는 앞으로 미래는 인공지능 혁명의 시대라고.......
hard negative mining [내부링크]
#hardNegative #easyNegative [출처] hard negative mining|작성자 sogangori Object Detection Network 에서 자주 나오는 hard negative sk hard negative mining라는 말이 자주 나온다 hard negative 는 실제로는 negative 인데 positive 라고 잘못 예측하기 쉬운 데이터이다. easy negative 는 실제로 negative 이고 예측도 negative 라고 잘 나오는 예측이 쉬운 데이터이다. hard negative sample 을 직석하자만 hard : 어렵다, negative sample: 네거티브 샘플라고, 즉 네거티브 샘플라고 말하기 어려운 샘플이라는 뜻이다. 모델입장에서 보면 해당 샘플에 대해 negative(아니다) 라고 해야 하는데 confidence 는 높게 나오는 상황을 말한다.......
사실을 마주해도 당신이 절대로 생각을 바꾸지 않는 이유(확증편향) [내부링크]
#확증편향 #confirmationbias 사실을 마주해도 당신이 절대로 생각을 바꾸지 않는 이유 (2/3) (newspeppermint.com) 확증 편향(confirmation bias)으로 잘 알려진 기제를 생각해 봅시다. 확증 편향이란 사람들이 자신이 기존에 믿는 바에 부합하는 정보만 받아들이려 하고, 자기 생각에 어긋나는 정보는 거부하는 편향을 말합니다. 인간의 수많은 비합리적인 사고 가운데 확증 편향만큼 잘 알려지고 잘 정리된 오류도 없을 겁니다. 확증 편향에 관한 실험만으로도 교과서 한 권을 쓸 수 있을 정도니까요. 이에 관해 가장 잘 알려진 실험을 진행한 기관도 오늘 이야기에서 자주 등장하는 스탠포드대학교입니다. 연구진은 사형에 관한 의견이 다른.......
Multi-Person Pose Estimation in OpenCV using OpenPose [내부링크]
#DeepLearning #OpenCV 3 #OpenCV 4 #Pose #Tutorial Multi-Person Pose Estimation in OpenCV using OpenPose | Learn OpenCV In our previous post, we used the OpenPose model to perform Human Pose Estimation for a single person. In this post, we will discuss how to perform multi-person pose estimation. When there are multiple people in a photo, pose estimation produces multiple independent keypoints. We need to figure out which set of keypoints belong to the same person. We will be using the 18 point model trained on the COCO dataset for this article. The keypoints along with their numbering used by .......
[ Ubuntu ] 우분투 외장하드 마운트 [내부링크]
#Ubuntu #우분투 #외장하드마운트 #USB마운트 #외장하드연결 #USB연결 Mr. P Blog: [ Ubuntu ] 우분투 외장하드 마운트 (perdupper.blogspot.com) 데스크탑 리눅스 버전은 뭐, USB든, USB로 연결한 하드디스크든 연결하면 자동인식 되어 접근 가능하다. 문제는 리눅스 서버 버전이 복잡한 것. 명령어로 직접 연결을 시켜줘야한다. (USB, USB로 연결한 외장 하드디스크 등, 그냥 외장하드로 명명하겠다.) 일단, 외장하드가 어떤 포맷 방식인지 알아야 한다. 외장하드를 꽂기 전에, sudo fdisk -l 명령어를 치고, 외장하드를 연결한 뒤, 외장하드가 돌아가는 걸 확인 후, (전력 공급이 부족하면, 아예 외장하드가 돌아가지 않는다. 인식 안 함) sud.......
우분투 usb 버전 확인하기 [내부링크]
#우분투 #usb버전 아래와 같이 명령어 입력. ======= bcdUSB 2.10 외장하드의 usb버전이다.
2020년도 예비군 원격교육을 이벤트 퀴즈 정답 공유 [내부링크]
#예비군 #예비군원격교육 #예비군원격교육5년차 #예비군원격교육이벤트 #예비군원격교육정답 #예비군원격교육퀴즈 #예비군원격교육퀴즈정답 2020년도 예비군 원격교육을 받다. (+이벤트 퀴즈 정답 공유) (tistory.com) 어느덧, 예비군 5년 차. 하지만 아직 학생 예비군으로써 연차를 날로 먹고 있었는데 (?) 올해는 코로나 때문인지 원격교육을 받게 되었다. 원격교육은 예비군 원격교육 사이트에 들어가면 내가 언제 받아야 하는지 자세히 확인할 수 있는데 나는 이런 거 봐도 좀 이해력이 늦달까. 아니 솔직히 제대로 보기 귀찮았다. 뭐 어떻게든 되겠지, 친구가 하는 날 따라서 하면 되겠지(?) 안일한 생각으로 하루를 보내고 있었다. 그. .......
/etc/sudoers file corrupted and I can't run 'pkexec visudo' over SSH 해결방법 [내부링크]
#pkexec #visudo #/etc/sudoers #sudoersfilecorrupted #pkexecvisudo #can'trunpkexec sudoers 파일 권한을 잘못건드려서, sudo가 안되는 상황이 발생하였다. 아래와 같은 방법으로 해결하였다. 대상 서버에 대한 두 개의 ssh 세션을 엽니다. 첫 번째 세션에서 다음을 실행하여 bash의 PID를 가져옵니다. 두 번째 세션에서 인증 에이전트를 시작합니다. 첫 번째 세션으로 돌아가 다음을 실행합니다. 두 번째 세션에서는 암호 프롬프트가 표시됩니다. visudo는 첫 번째 세션에서 시작됩니다.
NVIDIA NVML Driver/library version mismatch 해결방법 [내부링크]
#nvidia #nvidia-smi #nvmldriver #nvmllibrary #nvidiaversionmismatch 출처 : https://jangjy.tistory.com/300 Failed to initialize NVML: Driver/library version mismatch GPU 사용하던 도중 위와같은 문제가 발생 할 경우 해결 방법 nvidia driver를 unload 하고 관련 모듈을 삭제하면 된다. 아래 명령어로 nvidia 관련 사용중인 드라이버 리스트를 불러온다 $ lsmod | grep nvidia nvidia_uvm 634880 8 nvidia_drm 53248 0 nvidia_modeset 790528 1 nvidia_drm nvidia 12312576 86 nvidia_modeset,nvidia_uvm nvidia 드라이버 unload를 위하여 nvidia 항목 오른쪽에 있는 종속성 항목을 unload 해준다. 이 경우는 nvidia_modeset, nvidia_.......
MaxPool2d vs AdaptiveMaxPool2d [내부링크]
#MaxPool2d #AdaptiveMaxPool2d 노트ㅇㅅㅇ - MaxPool2d vs AdaptiveMaxPool2d (tistory.com) 일반적인 분류(classification)문제를 다루다보면 항상 마지막에 linear layer가 들어가게 된다. 이는 우리가 생각할수 있는 가장 간단한 방식이고, 이는 말이 된다. 그런데 만약 입력 텐서의 크기가 고정되지 않다면 출력 텐서의 크기도 마찬가지로 다르게 나온다, 여기서 문제가 보통 사용하는 linear layer는 입력 크기가 고정되기에 입력 사이즈가 변화되면 에러가 발생한다. 그래서 이를 위해서 입력에 관계없이 출력을 고정하도록 설계된 Adaptive Pooling을 사용할 수 있다.[1, 2] 단순히 출력을 지정한 튜플값으로 맞춰주는 pooling이라고 생.......
Adversarial Attack(Part 2): PeerNets [내부링크]
#Artificial Intelligence #Deep Learning #Pytorch #Gcn #Adversarial Attack Adversarial Attack(Part 2): PeerNets | by Taekmin Kim, @tantara | Medium Adversarial Attack(Part1): Adversarial Attack과 Defense Adversarial Attack(Part 2): PeerNets: Exploiting Peer Wisdom Against Adversarial Attacks 지난 튜토리얼(Part 1)에 이어서 방어에 대해서 간략히 다루고 이번 에피소드의 핵심인 논문 PeerNets: Exploiting Peer Wisdom Against Adversarial Attacks의 리뷰를 진행하겠습니다. 방어 방법 지난 튜토리얼(Part 1)에서 다룬 것처럼 방어에는 대표적으로 3가지 접근 방법이 있습니다. 공격쪽에서 생성된 이미지를 추가 학습 데.......
자유도 Degree of freedom [내부링크]
#자유도 #degreeoffreedom https://m.blog.naver.com/nisekim/221260480537 자유도 자유도 degree of freedom란 실질적으로 독립인 값들의 개수를 말한다. 예를 들어 평균이 m인 10개의 자료 중에서 9개의 값은 아무렇게나 자유로이 선정이 가능하지만, 나머지 한 개의 값은 이미 평균이 정해져 있기 때문에 다른 값들에 의해 정해져 있다. 즉, 종속적이다. 이 때의 자유도는 9이다. 즉 평균이 정해져 있다면, 자료의 개수가 n 개인 경우, 자유도는 n-1이다. [출처] 배정민 (2012). <<닥터 배의 술술 보건의학통계>>. 한나래출판사. 28p 2 by 2 matrix 자유도 2 X 2 테이블에서 자유도를 따져보자. 아래 그림은 100명의 환자를 대상.......
Adversarial Attack(Part 1): Adversarial Attack과 Defense [내부링크]
Adversarial Attack(Part 1): Adversarial Attack과 Defense | by Taekmin Kim, @tantara | Medium #adversarialattack #adversarialdefense 최근 삼성 SDS의 사이다(SAIDA)팀이 스타크래프트 AI 대회에서 1등을 차지했습니다. 플레이 영상을 보면 꽤나 높은 수준이고 실제로 많은 게이머들이 이기기 힘든 실력이라고 합니다. 게임 뿐만 아니라 번역기(네이버의 파파고)나 얼굴 인식(아이폰, 갤럭시) 등 우리 주위에서 인공지능이 적용된 제품을 많이 접할 수 있습니다. 가까운 미래에는 자율 주행이나 무인 편의점 등 인공지능이 더욱 더 우리 삶 속으로 파고들 것이라고 예상됩니다. 지금까지 많은 AI 기술이 뛰어난 성과를 보여준 것은 사실이.......
자료의 분류 [내부링크]
#범주형자료 #연속형자료 #자료의분류 [의학통계 기초] 1강. 자료의 분류 : 네이버 블로그 (naver.com) 자료의 분류 통계 분석에서는 자료의 성격을 제대로 이해하고 구분해야 한다. 솔까.... 컴퓨터는 순진한 아해여서 아직까지(2018년 상황이다... 아직 인공지능 범용화 전이다.) 인간이 입력해준 대로 행하는 존재이기 때문에, 엉뚱하게 자료 입력하면 결과는 아주.... 뒤죽박죽일테니깐. 대부분의 자료는 범주를 서로 구분하는 범주형 자료 categorical data와 연속적인 수로 수량화가 가능한 연속형 자료 numerical date로 구분된다. 범주형 자료는 질적자료 qulaitative data라고도 하며, 연속형 자료는 양적자료 quantitiative data라고도.......
가설 검정 방법 [내부링크]
#가설검정방법 #가설검정 #귀무가설 #영가설 #대립가설 #우위성 검정 https://m.blog.naver.com/nisekim/221260381266# 보건의학의 과학철학적 명제 보건의학 연구에서 "다른 상황을 생각하게 하는 현저한 근거가 없는 한, 자연의 현상적인 차이는 없다. 즉 0(무)이다." 라는 과학철학적 명제에서 시작한다. 캬.... 이 얼마나 멋진 말인가. 엔트로피의 법칙과도 딱 떨어진다. 모든 자연현상은 무질서도가 증가하는 방향으로 움직이는 것이다. 즉 상호간의 차이는 사라지는 쪽으로 말이다. 즉, 우리가 새로운 치료법의 효과를 입증하고자 한다면, "새 치료법은 효과가 없다'는 영가설을 전제로 하여 연구를 시작한다. 귀무가.......
제1종오류, 5% 유의수준과 다중비교 [내부링크]
#1종오류 #2종오류 #검정력 #다중비교 #falsepositive #falsenegative https://m.blog.naver.com/nisekim/221260460345 앞서 살펴 보았듯이, 우리가 수행한 통계결과는 항상 옳을까? 물론 아니올시다이다. 왜냐면... 이는 확률의 개념이기 때문이다. 하필 재수없게 유의수준 5% 내에서 (즉 20번 중에 한번 꼴로) 엉뚱한 결과가 나올 수 있기 때문이다. 임상연구의 특성상 표본에서의 결과가 그대로 전체 인구인 모집단으로 확대 적용될 수 없기 때문이다. 모든 통계검정에는 오류가 있기 마련이다. 그러면 가설 검정에는 어떤 오류가 있을까? [출처] 배정민 (2012). <<닥터 배의 술술 보건의학통계>>. 한나래출판사. 23p. 제1종 오류.......
우도 likelyhood 및 우도비 검정 [내부링크]
#우도 #우도비검정 #likelyhood [의학통계 중급 개념] 4강. 우도 likelyhood 및 우도비 검정 : 네이버 블로그 (naver.com) 초급과정에서 선형회귀분석에서는 최소제곱법을 통해 회귀식을 추정하였다. 그러면 종속변수와 독립변수가 비선형관계인 일반화 선형모형에서는 어떻게 회귀식을 추정할까? 일반화 선형모형에서는 대개 최대우도법 Maximum likelyhood method를 이용하여 회귀식을 추정한다. 최대우도법을 이해하기 위해서는 우도; 가능도; likelyhood에 대한 이해가 필요하다. 모수로부터 특정 현상이 관찰되는 것을 확률의 개념이라면, 우도 likelyhood는 확률과 반대 개념이다. 주어진 현상을 통해, 이 현상이 이 나타날 가능성을 가장.......
How to Avoid Exploding Gradients With Gradient Clipping [내부링크]
#gradients #gradientclipping #explodinggradients How to Avoid Exploding Gradients With Gradient Clipping (machinelearningmastery.com) Training a neural network can become unstable given the choice of error function, learning rate, or even the scale of the target variable. Large updates to weights during training can cause a numerical overflow or underflow often referred to as “exploding gradients.” The problem of exploding gradients is more common with recurrent neural networks, such as LSTMs given the accumulation of gradients unrolled over hundreds of input time steps. A common and relativ.......
[2020 마이블로그 리포트] 한 눈에 보는 올해 내 블로그 데이터! [내부링크]
벌써 13년째 블로그를 하고있다. 애드포스트에 광고비가 많이 들어오면 좋겠다
Pose-Aware Multi-Task Learning for Vehicle Re-Identification Using Highly Randomized Synthetic Data [내부링크]
#Pose-Aware #Multi-Task Learning #Vehicle #ReIdentification #Randomized #Synthetic Data Pose MultiTask Vehicle Re-Identification NVIDIA | VisionWizard (medium.com) 오늘, 우리는 차량 재 식별에 엔비디아 연구소에 의해 정통 논문을 논의 할 예정이다. 나는 종이가 차량 재 식별 문제를 해결하기 위해 흥미로운 엔지니어링 접근 방식을 제시하는 대신 새로운 연구 아이디어를 제안하지 않는다는 것을 지적하고 싶습니다. 오른쪽으로 뛰어 갑시다. 소개 이 논문은 차량 재식별의 오랜 문제를 해결하려고 시도합니다. 차량 재식별이란 무엇입니까? 왜 필요한가요? 차량용 을 제외한 차량 재식별 문제를 얼굴 인식 문제로 간주하십시오. .......
공개 데이터 문제점 [내부링크]
모든 거짓 긍정의 1/3 이상이 주석 오류였다는 것을 발견하기 위해 SOTA 개체 감지 모델로 열린 이미지를 재평가했습니다! 최신 벤치마크 데이터 세트 대규모 데이터 집합에 대해 학습된 딥 러닝 모델의 성능이 계속 발전함에 따라 대규모 데이터 집합 대회는 최신 의 가장 위대한 컴퓨터 비전 모델의 시험장이 되었습니다. 우리는 MNIST (70,000 28x28 픽셀 이미지만있는 데이터 집합)가 사실상 표준이었던 시대의 커뮤니티로서 먼 길을 왔습니다. ImageNet, COCO 및 Google의 오픈 이미지가 가장 인기 있는 작업 중 하나입니다: 더 복잡한 모델을 교육하려는 욕구에서 새롭고 더 큰 데이터 세트가 생겨났습니다. 그러나 이러한 거대한 데이터 집.......
yolov4 tflite to edgetpu.tflite compile [내부링크]
저장용 YOLOv4 を tflite に convert する https://medium.com/@nobilearn/264be244e7af の続きです。 遂に PINTO 先生が動き出しました。 https://twitter.com/PINTO03091/status/1261446333585477632 しかも、わざわざこちらの投稿へのリンクまで貼って頂き感謝です。 今回は convert した full-int8 tflite から edgetpu_compiler で edgetpu.tflite を作ります。 ただ、実行ではエラーになってしまいました。 私が煮詰まっている間に PINTO 先生が解決してくださるかもしれません。(ﾁﾗｯ) apply edgetpu_compiler _ 前回の結果、手元には full-int8 の tflite ファイルがあります。 $ ll yolov4-full-int8.tflite -rw-r--r--@ 1 nobi staff.......
No module named '_bz2' 에러 해결하기 [내부링크]
It is happening because of a .so file being missing. Say for python3.7 download the file from: _bz2.cpython-37m-x86_64-linux-gnu.so For different versions of python try finding this file for your version. Say for python3.8 change 37 to 38 etc. and find and download the file. Now for Ubuntu: copy the file inside /usr/local/lib/python3.7 folder using sudo privilege. To do this, go to the folder where the file is downloaded and execute the command (change your filename and destination folder based on your python versions accordingly): sudo cp _bz2.cpython-37m-x86_64-linux-gnu.so /usr/local/lib/py.......
[공유] errno_t 값에 따른 의미 [내부링크]
errno_t 값에 따른 의미errno_t는 VS에서 Ȅ...
[공유] 바인딩(Binding) [내부링크]
바인딩(Binding)바인딩(Binding) - 값을 할-...
[공유] 영문판 윈도우7에서 표시언어(Display Language) 설정하는 방법! [내부링크]
영문판 윈도우7에서 표시언어(...
정올 2046 : 숫자사각형4 [내부링크]
2046 : 숫자사각형4제한시간: 1000 ms 메모리제한: 64 MB 해결횟수: 2038 회 시도횟수: 3513 회 정사각형...
BOJ 2292 벌집 [내부링크]
벌집 성공문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB106555011434747.859%문제 ...
사례 연구 : OpenCV를 사용하는 HAAR 기능 기반의 눈 감지기 개선 [내부링크]
http://cv-tricks.com/computer-vision/case-study-training-better-haar-based-object-detectors/ Case-...
Alexnet, VGG, Inceptionv3, Resnet 및 squeezeNet 네트워크를 이해하고 실행하는 데 필요한 빠른 Tensorflow tutorial [내부링크]
http://cv-tricks.com/tensorflow-tutorial/understanding-alexnet-resnet-squeezenetand-running-on-tenso...
Urban Sound Classification, part 1 audio classification [내부링크]
https://aqibsaeed.github.io/2016-09-03-urban-sound-classification-part-1/ Urban Sound Classificat...
[공유] 네트워크 스트림 재생이 가능한 VLC Media Player [내부링크]
한화테크윈 ip주소
네이버 블로그 구글 검색 등록방법 [내부링크]
네이버 블로그는 구글 검색에 막혀져 있기 때문에, 일반적으로 글을 쓰게되면 구글에서 검색되지 않는다. h...
Debug a Deep Learning Network (Part 5) [내부링크]
심층 네트워크 (DN)를 구축했지만 예상치 못한 내용은 가비지입니다. 문제를 어떻게 해결할 건가요? 이 ...
Improve Deep Learning Models performance & deep network tuning [내부링크]
모델을 디버깅 한 후에는 모델 용량 및 튜닝에 중점을 둘 수 있습니다. 이 섹션에서는 심층 학습 네트워크...
BOJ 6549 히스토그램에서 가장 큰 직사각형 java,c++ [내부링크]
https://www.acmicpc.net/problem/6549 6549번: 히스토그램에&...
Tensorflow Object Detection API -1 (Opencv로 읽어 객체의 좌표값, 정확도등 값을 받아 matplot에 뿌리기) [내부링크]
https://github.com/tensorflow/models/tree/master/research/object_detection tensorflow/modelsModels ...
따라하며 배우는 C++ (2018 New) | c++ 강의 기초 후기 [내부링크]
https://www.youtube.com/channel/UCg6IlhycdYiK_nWB3spjIqA 홍정모안&#...
파이썬 opencv personal 폰트(ttf) 설정 [내부링크]
12345678910fontpath = "./font/kenyancoffeerg.ttf"font = ImageFont.truetype(fontpath, 25)img_pil = ...
vi 특정 단어 개수 세기 [내부링크]
:%s/word/&/g 끝나면 그냥 종료하자
Argument list too long error for rm, cp, mv commands [내부링크]
find ./ -type f -name "*_0.jpg" | xargs cp -t ../minidata3/
Batch Size in Deep Learning [내부링크]
이미지사이즈 * 이미지사이즈 * rgb * 배치사이즈 고려해서 gpu메모리 보고 설정하자. https://blog.lunit....
caffe SSD priorbox, platten layer [내부링크]
SSD 뒷부분 softmax 처리방법이다. Flatten layerlayer { name: "flaten" type: "Flatten" bottom: "i...
Yolov3: An Incremental Improvement [내부링크]
1. The Deal YOLO v3는 다른 사람들의 아이디어들을 차용한 내용입니다. 1-1. Bounding Box Predi...
caffe reshape으로 flatten처리 [내부링크]
As another example, specifying reshape_param { shape { dim: 0 dim: -1 } } makes the layer behave in...
c++ boost 라이브러리 [내부링크]
boost 라이브러리 집중 분석 by 신영진(YoungJin Shin), codewiz at gmail.com, @codemaru, http://www....
TF-Slimtutorial [내부링크]
TF-Slim은 저수준의 텐서플로우 API를 간편하게 사용할 수 있는 고수준 경량 API로써, 텐서플로우...
CUDA (쿠다) 란, 왜 사용하는 것인가. [내부링크]
CUDA (Computed Unified Device Architecture) 는 NVIDIA 사에서 개발한 GPU (Graphic ...
[Cython] 싸이썬, 파이썬에 속도를 더하다 [내부링크]
얼마전 페이스북에서 하나의 블로그 내용을 보았습니다. 파이썬을 짜면서 가장 걸리는 부분이 속도 문제인...
가산디지털단지 대륭 말뚝곱창! [내부링크]
#말뚝곱창가산점 #가산맛집 #곱창맛집 구운 곱창이 먹고 싶을 때 항상 말뚝곱창에서 맛있게 먹고 있어요
20190820 3분할 운동일지 밀기 [내부링크]
밴드 인클라인벤치프레스 밀리터리프레스 사레레 딥스 플라이머신 케이블푸쉬다운 오늘도 집에 오자마자 기...
20190821 3분할 운동일지 당기기 [내부링크]
밴드 바벨로우 바벨로우 언더그립 렛풀다운 암풀다운 벤레레 덤벨컬 암컬머신 내일이면 동미참끝난다 하하
20190825 운동일지 [내부링크]
배밀기 20-1 풀업 10-1 심심해서 맨몸운동 가볍게했다
20190827 3분할 운동일지 하체 [내부링크]
밴드 레그컬 레그익스텐션 레그프레스 아우터사이
[리눅스] 리눅스 tar, gz 압축 및 해제 [내부링크]
리눅스를 사용하다 보면, tar 혹은 tar.gz로 압축을 하거나 압축을 풀어야 할 경우가 자주 생긴다. 이를 처...
ffmpeg 동영상 합치기 [내부링크]
#ffmpeg #ffmpeg 동영상 합치기 #동영상합치기 a.mp4 파일과 b.mp4 파일이 있는데, 이 둘을 합하여 하나의 ...
가산디지털단지 현대시티아울렛 남산돈까스 [내부링크]
#101번지 남산돈까스 현대시티아울렛 #101번지 남산돈까스 가산점 현대시티아울렛 꼭 돈까스 떡볶이세트먹...
201901015 3분할 운동일지 당기기 [내부링크]
밴드 풀업 렛풀다운 원암덤벨로우 벤레레 덤벨컬 입사한지 일년차됐다 헬스장도 다시 1년등록하고왔다
가산디지털단지 말뚝곱창 5호점 맛있어요 [내부링크]
#말뚝곱창5호 #가산디지털맛집 #곱창맛집 #가산맛집 #가디맛집 가산디지털단지 말뚝곱창5호점 왔어요
하위 디렉토리 파일들에서 문자열 검색: grep 또는 find 이용하기 [내부링크]
#하위 디렉토리 파일들에서 문자열 검색: grep 또는 find 이용하기 테스트한 OS: Ubuntu 12.04 쉘(shell...
deep learning object detection 계보 [내부링크]
deep learning object detection https://blog.editor.naver.com/editor?deviceType=mobile&ret...
제 13기 행복공감 봉사단 모집 [내부링크]
#기획재정부 #복권위원회 #동행복권 #행복공감봉사단 #대외활동 #자원봉사
Introduction to Deep Learning Normalization [내부링크]
#normalization https://subinium.github.io/introduction-to-normalization/ 수 많은 정규화들을 한번 가...
[Object Detection] Feature Pyramid Network (FPN) [내부링크]
https://eehoeskrap.tistory.com/300 원 논문 Lin, Tsung-Yi, et al. "Feature pyramid networks ...
pytorch to caffe ceil_mode 문제 [내부링크]
#caffe #pytorch pytorch to caffe 로 변환시에 pytorch는 maxpool 연산에 floor caffe 는 maxpool 연산에 ...
Metric Learning and Triplet Loss [내부링크]
https://lv99.tistory.com/28 Transfer Learning 인공신경망 모델은 처음엔 한 문제를 풀기 위한 것으로 ...
CycleGAN이 무엇인지 알아보자. [내부링크]
http://www.kwangsiklee.com/2018/03/cyclegan%EC%9D%B4-%EB%AC%B4%EC%97%87%EC%9D%B8%EC...
A Style-Based Generator Architecture for GANs - Generating and Tuning Realistic Artificial Faces [내부링크]
Generative Adversarial Networks (GAN) are a relatively new concept in Machine Learning, intr...
DeepMind DVD-GAN: Impressive Step Toward Realistic Video Synthesis [내부링크]
The rapid development of AI models such as variational autoencoders (VAE) and generative adver...
How to compare each item in a list with the rest, only once? [내부링크]
Of course this will generate each pair twice as each for loop will go through every item of the lis...
NVIDIA Jetson Xavier NX 사용 준비하기 [내부링크]
https://medium.com/@may_i/nvidia-jetson-xavier-nx-%EC%82%AC%EC%9A%A9-%EC%A4%80%EB%B9%8...
Jetson Xavier NX Developer Kit 시작하기 [내부링크]
https://developer.nvidia.com/embedded/learn/get-started-jetson-xavier-nx-devkit#setup microSD 카드...
[Pytorch] DataLoader parameter별 용도 [내부링크]
https://subinium.github.io/pytorch-dataloader/ pytorch reference 문서를 다 외우면 얼마나 편할까!! P...
네가 옳다면 화낼 필요가 없다 [내부링크]
네가 틀렸다면 화낼 자격이 없다 54809711
Converting a float to bytearray ( float to byte 단위로) [내부링크]
It depends what you want, and what you are going to do with it. If all you want is a bytearray the...
pytorch Quantization-aware training에 대한 code 정리 [내부링크]
출처: https://wannabeaprogrammer.tistory.com/42 [Deep Learning for SomeThings] 1. 신경망 모델 양...
[Linux] NVIDIA Driver 440.95 + CUDA 10.2 + cuDNN 8.0.1 설치 [내부링크]
https://eehoeskrap.tistory.com/456 기존 환경 - CUDA 10.0 - cuDNN 7.5.0 - NVIDIA Driver...
컴퓨터 발열 줄이기 - 터보부스트 끄는 법 [내부링크]
https://angry-tomato.tistory.com/21 1. 인텔의 터보 부스트 인텔의 터보부스트를 들어보셨나요? CPU의...
[NVIDIA APEX] Amp에 대해 알아보자 (Automatic Mixed Precision) [내부링크]
https://cvml.tistory.com/8 version update 20-07-25 : amp 모듈이 pytorch 1.5.0 버전부터 기본 라이브러...
Batch Normalization in Deep Learning - part 1 [내부링크]
https://cvml.tistory.com/5 딥러닝을 공부하다 보면 자주 접하는 이론적인 내용이자 실제 구현에서도 라이...
Batch Normalization in Deep Learning - part 2 [내부링크]
https://cvml.tistory.com/6 지난 번 포스트에서는 Batch Normalization이 왜 사용이 되었고 어떤 장점을...
cuda fp16 fp32 training [내부링크]
fp16 loss scale 128 -> fp16으로 training한다. darknet [net] loss_scale=128 파라미터 추가(원...
7zip 분할 압축 & 해제 [내부링크]
7zip 압축 7z a kernel.7z kernel/ -v50m 50mb 분할 압축 kernel.7z.001, kernel.7z.002 파일 생성 7zip 해...
azcopy copy [내부링크]
원본 데이터를 대상 위치에 복사 합니다. 개요 원본 데이터를 대상 위치에 복사 합니다. 지원 되는 지침은 ...
EfficientDet ： Scalable and Efficient Object Detection Review [내부링크]
https://hoya012.github.io/blog/EfficientDet-Review/ 안녕하세요, 이번 포스팅에서는 이틀 전 11월 20...
YOLOv4：Optimal Speed and Accuracy of Object Detection Review [내부링크]
https://hoya012.github.io/blog/yolov4/ 안녕하세요, 오늘은 지난 4월 23일 arXiv에 공개된 “YOLOv4...
[CUDA] Cudnn Error in nvinfer1::rt::CommonContext::configure: 7 (CUDNN_STATUS_MAPPING_ERROR) [내부링크]
Cudnn Error in nvinfer1::rt::CommonContext::configure: 7 (CUDNN_STATUS_MAPPING...
"Swish" activation function. A Caffe implementation [내부링크]
A novelty in deep learning seems to be the new "Swish" activation function (https://arxi...
window 잠금설정 해제 방법 [내부링크]
https://answers.microsoft.com/ko-kr/windows/forum/windows_10-hello-winpc/windows-10-%EC%9E%A0%E...
우분투는 더 이상 apt-get update를 수행할 수 없습니다. [내부링크]
이런 식으로. $ sudo apt-get update Hit:1 http://archive.ubuntulinux.jp/ubuntu bionic InRelease H...
An introduction to entropy, cross entropy and KL divergence in machine learning [내부링크]
https://hoya012.github.io/blog/cross_entropy_vs_kl_divergence/ 안녕하세요, 오늘은 머신러닝을 공부하...
Anomaly Detection 개요： [1] 이상치 탐지 분야에 대한 소개 및 주요 문제와 핵심 용어, 산업 현장 적용 사례 정리 [내부링크]
https://hoya012.github.io/blog/anomaly-detection-overview-1/ 안녕하세요. 이번 포스팅에서는 Anomaly ...
Self-training with Noisy Student improves ImageNet classification Review [내부링크]
https://hoya012.github.io/blog/Self-training-with-Noisy-Student-improves-ImageNet-classificatio...
Bag of Tricks for Image Classification with Convolutional Neural Networks Review [내부링크]
https://hoya012.github.io/blog/Bag-of-Tricks-for-Image-Classification-with-Convolutional-Neura...
좀비 프로세스와 고아 프로세스(Zombie process and Orphan process) [내부링크]
https://codetravel.tistory.com/31 이번 포스팅에서는 고아 프로세스와 좀비 프로세스에 대해서 알아 보도...
Operating System | 프로세스의 생성, 삭제, 좀비 & 고아 프로세스, 메시지 패싱 시스템, 파이프 [내부링크]
프로세스 생성 Process Creation 부모 프로세스가 자식 프로세스를 만든다. (프로세스는 트리 구조로 되...
[Unix] <defunct> 프로세스 [내부링크]
어떤 특정 child process가 자신의 일을 종료하였지만, 그 종료된 결과 또는 상태를 자신을 만들어준 paren...
Losses explained: Contrastive Loss [내부링크]
https://medium.com/@maksym.bekuzarov/losses-explained-contrastive-loss-f8f57fe32246 요즘에는 디텍터...
Image Embedding with Triplet Loss [내부링크]
https://blog.est.ai/2020/02/%eb%a9%94%ed%8a%b8%eb%a6%ad%eb%9f%ac%eb%8b%9d-%ea%b8%b0%eb%b0%98-%ec%95%...
Adversarial_Attack [내부링크]
https://jsideas.net/Adversarial_Attack/ 이미지 분류 문제는 더이상 흥미로운 화젯거리가 되지 못하나...
linux 빠른 복사 [내부링크]
리눅스에서 대용량 파일을 cp 명령어로 복사하면 날밤샌다 아래 명령어를 이용하자 #ads_1 예제) #(cd /src...
딥러닝 기반의 GOTURN 방식으로 물체 추적하기 [OpenCV/Python] [내부링크]
https://diy-project.tistory.com/111 딥러닝 기반의 물체 추적방식은 다양하지만 OpenCV 내에서 가장 ...
why scale: 0.017? [내부링크]
imagenet 103.94/255 116.78/255 123.68/255 mean = { 0.485, 0.456, 0.406 } , it has been computed...
Searching for MobileNetV3 [내부링크]
https://soobarkbar.tistory.com/62 논문 https://arxiv.org/abs/1905.02244 Abstract 우리는 새로운 아키...
ArcFace: Additive Angular Margin Loss for Deep Face Recognition [내부링크]
https://soobarkbar.tistory.com/60 논문 https://arxiv.org/abs/1801.07698 Abstract 대규모 얼굴 인식 (Face Recognition) 에서 깊은 CNN (DCNNs, Deep Convolutional Neural Networks) 을 사용하는 Feature 학습의 중요한 과제 중 하나는 분별력 (Discriminative Power) 을 향상시키는 적절한 손실 함수 설계임. ㅇ Centre Loss 는 클래스 내 빽빽함 (Compactness) 을 달성하기 위해 유클리드 공간에서 Deep Features과 이 Features에 해당하는 클래스 Centres 사이의 거리에 패널티를 부과함. ㅇ SphereFace 는 마지막 완전 연결층 (Fully Connected Layer) 에서 선형 변환 행렬이 각도 공간 (Angular Space) 의 클래스 Centres 표현으로 사.......
yolov4 convert tflite [내부링크]
取り組みは途中なのですが、書ける内容から書き出していきます。 今回は tflite への convert で fp16, int8 が成功、full-int8 も最終的に成功した所までです。 Prologue _ 2020 年 4 月 24 日、pjreddie さんの Beehive に何事かが起こり、彼の impl. が停止して以降、約 1 年半ぶりの commit がありました。 https://github.com/pjreddie/darknet darknet を fork して Windows 向けの実装などを行っていた AlexeyAB さんが YOLOv4 を発表したというものでした。 https://github.com/AlexeyAB/darknet すわ Jetson TK1 などを引っ張り出して試行してみたものの、非常に巨大なネットワークのため動かず、ひとまず英傑のどなたかが TF2 向けの実.......
GhostNet의 구조에 대하여 [내부링크]
https://blog.csdn.net/weixin_38715903/article/details/105285570 目录 1.关于理论： 2.Ghost模块 2.1关于计算量 2.2.复杂度分析【内存和计算量的收益】 2.3 关于GhostNet结构【配合代码使用】： 2.3.1 pytorch中: 2.3.2 darknet的cfg文件具体分析： 3.GhostNet-yolo 논문 ：https://arxiv.org/abs/1911.11907 저자 해석：https://zhuanlan.zhihu.com/p/109325275 tensorflow：https://github.com/huawei-noah/ghostnet pytorch ： https://github.com/iamhankai/ghostnet.pytorch/blob/master/ghost_net.py darknet：https://github.com/AlexeyAB/darknet/files/3997987/ghostnet.cfg.txt【cfg文件】 https://github.com/AlexeyAB/darknet/iss.......
extern "C" 적용하기 [내부링크]
http://www.debugme.co.kr/2017/12/extern-c.html C/C++ 로 프로그래밍을 할 때, 자주 보는 것 중 하나가, extern "C"이다. 그냥 쉽게 넘어가기가 쉬운데 c로 짠 라이브러리들을 c++에서 가져다 쓰면 아래와 같이 extern "C"를 사용하면 된다 정도로만 알고 넘어가기 쉽다. test.cpp my_print.c comiple & linking 후 실행 즉, c++에서 c의 함수를 호출해서 잘 수행되는 것을 볼 수 있다. 어떻게 이렇게 될 수 있는 것일까? 그래서 조금 더 살펴보면, test.o의 심볼 만약 test.cpp 에서 extern "C"를 사용하지 않고, 컴파일 후 심볼을 보면, test.o 의 심볼 (extern "C" 사용하지 않았을 때) 차이점.......
C++ 코드를 C에서 사용하기 [내부링크]
https://hahaite.tistory.com/269 이글은 예전 제 싸이월드 블로그에 작성한 글을 티스토리로 옮긴 것입니다. 원문 : http://cy.cyworld.com/home/21147242/post/4E4A12146415739A07C68401 원문 작성일 : 2011.08.16 ------------------------------------------------------------------------ 아래 테스트는 리눅스 환경에서 테스트하였습니다. C++ 에서 작성된 myList.h, myList.cpp 라는 파일이 있다고 가정합니다. c 로 작성된 main.c 파일이 있습니다. main.c 가 myList.h 파일을 include 하여 해당 기능을 수행할 수 있도록 함이 목적입니다. 어떤 C++ 코드를 하나 만들어 봅니다. C 에서의 사용을 고려하지 않은 C++ 코드는 아래와 같습.......
BAM / CBAM 이론 및 정리 [내부링크]
https://blog.naver.com/winddori2002/222057978305 안녕하세요. 오늘은 CNN에 attention을 적용한 모듈 중 BAM, CBAM에 대해 간단하게 정리하려고 합니다. BAM(Bottleneck Attention Module) BAM은 CNN에 적용될 수 잇는 간단한 어텐션 모듈입니다. 위 논문에서는 다양한 실험을 통해 CNN에서 특징을 추출하는 과정인 Bottleneck 부분에 어텐션 모듈을 추가할 때 가장 좋은 성능을 확인했습니다. 또한 어텐션 모듈을 구성하는 요소에서 특징이 있습니다. BAM은 Channel attention branch, Spatial attention branch가 병렬적으로 수행한 후 병합합니다. Channel Attention 아래는 channel attention의 식입니다. F는 이전 conv layer에서 구해진.......
gpu(2080ti, 3080, 3080ti) fp16,fp32 training benchmark [내부링크]
https://blog.inten.to/hardware-for-deep-learning-part-3-gpu-8906c1644664 이것은 시리즈 "딥 러닝하드웨어"의 GPU에 대한 일부입니다. GPU가 DL의 현재 주력기이기 때문에 가장 콘텐츠가 많은 부품입니다. 시리즈의 내용은 여기에 있습니다. 내용물 표 성능 → FP32, FP16, INT8, INT4, 혼합 정밀도 → 텐서 코어 메모리 메모리 크기 → 메모리 대역폭 → 멀티 GPU 시스템 NVLink 개인 슈퍼컴퓨터 → 엔비디아 DGX → IBM 민스키 등 → 홈메이드 슈퍼컴퓨터 실용적인 조언 Amd → GPU → 오픈CL → ROCm/HIP/MIOpen → 인피니티 패브릭 → 미래 인텔 릴리스 노트 GPU, 그래픽 처리 단위는원래 컴퓨터 그래픽 작업을 위해 만든 특수.......
20190808 3분할 운동일지 하체 [내부링크]
레그프레스 아우터사이 레그컬 행레레 케이블크런치 백익스텐션 말복도 안지났는데 입추날이다
BOJ 1966 프린터 큐 [내부링크]
프린터 큐 성공 풀이<input type="radio" name="options" style="margin-top: 4px; margin-right: 0px; ...
BOJ 10430 나머지 [내부링크]
https://www.acmicpc.net/problem/1043010430번: 나머지10430번 제&#...
JAVA JDK와 이클립스를 설치해보자 [내부링크]
java를 쓰기 위해서 필요한 JDK와 이클립스 설치법입니다. 1.oracle.com 홈페이지에 접속 2. downloads ...
명품 java programming 실습문제 2장 1번 [내부링크]
명품 java programming 실습문제 2장 1번 1. Scanner 클래스를 이용하여 키보드에서 영문자 한 자를 입력...
명품 java programming 실습문제 2장 2번 [내부링크]
명품 java programming 실습문제 2장 2번 2. 키보드로 입력받은 주민번호에서 문자열을 ‘-’으로 분리하여...
명품 java programming 실습문제 2장 3번 [내부링크]
명품 java programming 실습문제 2장 3번 3. 키보드에서 정수로 된 돈의 액수를 입력받아 오만 원권, 만 원...
명품 java programming 실습문제 2장 4번 [내부링크]
명품 java programming 실습문제 2장 4번 4. 369게임을 간단히 작성해보자. 1~99까지의 정수를 키보드로부...
명품 java programming 실습문제 2장 5번 [내부링크]
명품 java programming 실습문제 2장 5번 5. Scanner를 이용하여 정수를 3개 입력받고 이 3개의 수로 삼각...
명품 java programming 실습문제 2장 6번 [내부링크]
명품 java programming 실습문제 2장 6번6. 키보드로부터 특정 연도를 입력받아 윤년인지 아닌지를 판별하...
명품 java programming 실습문제 2장 7번 [내부링크]
명품 java programming 실습문제 2장 7번 7. 2차원 평면에서 하나의 직사각형은 두 점으로 표현된다. (50, ...
명품 java programming 실습문제 2장 8번 [내부링크]
명품 java programming 실습문제 2장 8번 8. 2차원 평면에서 하나의 직사각형은 두 점으로 표현된다. (50, ...
명품 java programming 실습문제 3장 1번 [내부링크]
명품 java programming 실습문제 3장 1번 1. 키보드로부터 임의의 정수를 입력받고 *을 출력하는 프로그램...
명품 java programming 실습문제 3장 2번 [내부링크]
명품 java programming 실습문제 3장 2번2. 키보드로부터 임의의 문자를 입력받고 그 문자보다 알파벳 순위...
명품 java programming 실습문제 3장 3번 [내부링크]
명품 java programming 실습문제 3장 3번3. 키보드로부터 0보다 큰 임의의 정수를 입력받고 이 정수를 이진...
명품 java programming 실습문제 3장 4번 [내부링크]
명품 java programming 실습문제 3장 4번4.두 수를 입력받아 최대 공약수를 출력하는 프로그램을 작성하라....
명품 java programming 실습문제 3장 5번 [내부링크]
명품 java programming 실습문제 3장 5번5. 키보드로부터 정수를 10개 입력받아 배열에 저장하고 이 정수 ...
명품 java programming 실습문제 3장 6번 [내부링크]
명품 java programming 실습문제 3장 6번 6. 키보드로부터 정수 10개를 입력받아 배열에 저장하고 증가하는...
명품 java programming 실습문제 3장 7번 [내부링크]
명품 java programming 실습문제 3장 7번7. 4X4의 2차원 배열을 만들고 이곳에 1에서 10까지 범위의 정수...
명품 java programming 실습문제 3장 8번 [내부링크]
명품 java programming 실습문제 3장 8번8. 4X4의 2차원 배열을 만들고 이곳에 1에서 10까지 범위의 정수 ...
명품 java programming 실습문제 3장 9번 [내부링크]
9. 다음과 같이 작동하는 Average.java를 작성하라. 명령행 인자는 모두 정수만 사용되며 정수들의 평균을...
명품 java programming 실습문제 3장 10번 [내부링크]
명품 java programming 실습문제 3장 10번10. 다음과 같이 작동하는 Add.java를 작성하라. 명령행 인자 중...
명품 java programming 실습문제 3장 11번 [내부링크]
명품 java programming 실습문제 3장 11번11. 배열과 반복문을 이용하여 프로그램을 작성해보자. 키보드에...
명품 java programming 실습문제 3장 12번 [내부링크]
명품 java programming 실습문제 3장 12번12. 반복문을 이용하여 369게임에서 박수를 쳐야 하는 경우의 수...
C언어 10진수를 2진수로 바꾸기 [내부링크]
#include <stdio.h> void main(){ int i, n;int k = 0;int arr[10] = { 0 } ; printf("10진정수입력:")...
C언어 2진수의 곱셈 [내부링크]
#include <stdio.h>#include <math.h>int sum=0,i,j,x,y;int arr1[10] = { 0 } , arr2[10] = { ...
이클립스 Java was started but returned exit code=13 오류 발생시 대처방법 [내부링크]
64Bit 윈도우7에 이클립스 설치 및 실행 시 Java was started but returned exit code=13 에러가 발생한 ...
명품 java programing 1~4 암기부분 요약 [내부링크]
자바 언어의 특징- WORA(write one run Anywhere) 어디서 작성하든지 실행되기 때문에 독립적인 언어...
명품 java programming 4장 예제 [내부링크]
package jTest2;class Goods//public(접근제한자) 안쓰는 이유는 public 클래스가 두개되기 때문, 하나의...
자바(JAVA)〃생성자의 조건 / 필드 초기화 [내부링크]
출처 http://hunit.tistory.com/155자바(Java)〃생성자의 ...
* Get/Set 메소드 [내부링크]
출처 http://blog.naver.com/xpurpur/130019195625[내맘대로 자바] ...
자바로 스택 만들기 [내부링크]
package stack;import java.util.*; class pushAndPop{ char arr[] = { 'A', 'B', 'C', 'D' } ; //초...
JAVA 끝말잇기 게임 [내부링크]
package asss;import java.util.*; class Player{ Scanner in = new Scanner(System.in); public Stri...
명품 java programming 실습문제 4장 1번 [내부링크]
package asss; class Song{ String title; String artist; String album; String composer; int year;...
명품 java programming 실습문제 4장 2번 [내부링크]
package asss; class Rectangle{ int x1,y1,x2,y2; public Rectangle(){ x1 = 0; y1 = 0; x2 = 0; y2 = 0...
명품 java programming 실습문제 4장 3번 [내부링크]
package asss; class ArrayUtility{ static double [] intToDouble(int []source) { double [] dd = ne...
명품 java programming 실습문제 4장 4번 [내부링크]
package asss; class ArrayUtility2{ static int [] concat(int [] s1, int [] s2) { int [] tos = new i...
명품 java programming 실습문제 4장 5번 [내부링크]
package asss;import java.util.*; class Add{ int a; int b; void setValue(int a,int b) { this.a = a;...
명품 java programming 실습문제 4장 6번 [내부링크]
package asss;import java.util.*; class reserSystem{ public static Readable in; String [] S = { "-...
자바로 연결리스트 표현하기 [내부링크]
package ass;class Node{ int data; Node link;} class linklist{ Node head; void insert(int data,int ...
jungol 1001 : 강아지와 병아리 [내부링크]
강아지와 병아리의 합과 다리의 수를 입력받아 강아지와 병아리가 각각 몇 마리씩인지 구하는 프로그램을 ...
jungol 1002 : 최대공약수, 최소공배수 [내부링크]
1002 : 최대공약수, 최소공배수제한시간: 1000 ms 메모리제한: 64 MB 해결횟수: 1254 회 시도횟수: 3952 ...
jungol 1003 : 줄 세우기 [내부링크]
1003 : 줄 세우기제한시간: 1000 ms 메모리제한: 64 MB 해결횟수: 1421 회 시도횟수: 2840 회 점심시간이...
1004 : 합과 평균 표준편차 [내부링크]
1004 : 합과 평균 표준편차제한시간: 1000 ms 메모리제한: 32 MB 해결횟수: 335 회 시도횟수: 2488 회 도...
정올 1856 : 숫자사각형2 [내부링크]
1856 : 숫자사각형2제한시간: 1000 ms 메모리제한: 0 MB 해결횟수: 2545 회 시도횟수: 5931 회 사각형의 ...
정올 1304 : 숫자사각형3 [내부링크]
1304 : 숫자사각형3제한시간: 1000 ms 메모리제한: 32 MB 해결횟수: 1800 회 시도횟수: 2804 회 정사각형...
정올 1307 : 문자사각형1 [내부링크]
1307 : 문자사각형1제한시간: 1000 ms 메모리제한: 64 MB 해결횟수: 1350 회 시도횟수: 3273 회 정사각형...
정올 1314 : 문자사각형2 [내부링크]
1314 : 문자사각형2제한시간: 1000 ms 메모리제한: 64 MB 해결횟수: 1111 회 시도횟수: 2032 회 정사각형...
정올 1707 : 달팽이사각형 [내부링크]
1707 : 달팽이사각형제한시간: 1000 ms 메모리제한: 64 MB 해결횟수: 1756 회 시도횟수: 3493 회 정사각...
정올 1331 : 문자마름모 [내부링크]
1331 : 문자마름모제한시간: 1000 ms 메모리제한: 64 MB 해결횟수: 637 회 시도횟수: 2545 회 마름모의 ...
명품javaprogramming 10장 open challenge [내부링크]
명품javaprogramming 10장 open challenge 겜블링게임만들기 package dd; import java.util.*;import java....
정올 2810 : 타일교체 JAVA [내부링크]
화장실 바닥을 새로운 타일로 교체하려고 한다. 타일은 모두 정사각형 모양으로 한 변의 길이는 정수로 표...
정올 1335 : 색종이 만들기 [내부링크]
1335 : 색종이 만들기제한시간: 1000 ms 메모리제한: 64 MB 해결횟수: 1658 회 시도횟수: 3027 회 아래 &...
BOJ 1000 A+B JAVA [내부링크]
A+B 풀이시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB101584467423555947.828%문제두 수...
BOJ 1001 A-B JAVA [내부링크]
A-B 풀이시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB46696328332937372.419%문제A-B...
BOJ 1003 피보나치 함수 JAVA [내부링크]
피보나치 함수 풀이시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB36381144401126941.663%문...
BOJ 1008 A/B JAVA [내부링크]
A/B 스페셜 저지 풀이시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB60055189251699935.16...
BOJ 1021 회전하는 큐 [내부링크]
회전하는 큐 풀이시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB60761995165034.788%문제지...
BOJ 1065 한수 [내부링크]
한수 풀이시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB136116121541146.204%문제어떤 양의...
BOJ 1110 더하기 사이클 [내부링크]
더하기 사이클 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB217711052890...
BOJ 1152 단어의개수 [내부링크]
단어의 개수 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB47923106607227...
BOJ 1157 단어 공부 [내부링크]
단어 공부 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB193165986489432....
BOJ 1158 조세퍼스 문제 [내부링크]
조세퍼스 문제 성공문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB82424102323952.20...
BOJ 1181 단어 정렬 [내부링크]
단어 정렬 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB99093445247035.6...
BOJ 1193 분수찾기 [내부링크]
분수찾기 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB84214467399654.45...
BOJ 1260 DFS와 BFS [내부링크]
DFS와 BFS 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율5 초128 MB3135498175...
BOJ 1316 그룹 단어 체커 [내부링크]
그룹 단어 체커 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB78113714329...
BOJ 1427 소트인사이드 [내부링크]
소트인사이드 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB6514385534456...
BOJ 1475 방번호 [내부링크]
방 번호 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB91143142282341.194...
BOJ 1546 평균 [내부링크]
평균 성공 스페셜 저지 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB177228495...
BOJ 1874 스택 수열 [내부링크]
스택 수열 성공문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB126582948220425.727%...
BOJ 1924 2007년 [내부링크]
2007년 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB31164130661147843.2...
BOJ 1929 소수구하기 [내부링크]
소수 구하기 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB18260543438703...
BOJ 1978 소수 찾기 [내부링크]
소수 찾기 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB137106791566451....
BOJ 2108 통계학 [내부링크]
통계학 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율2 초128 MB5505116392123.573%...
BOJ 2438 별찍기-1 [내부링크]
별찍기 - 1 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB307001881616924...
BOJ 2439 별찍기 -2 [내부링크]
별찍기 - 2 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB258551530114123...
2440 별찍기 - 3 [내부링크]
별찍기 - 3 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB216611447713563...
2441 별찍기 - 4 [내부링크]
별찍기 - 4 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB186401380312910...
BOJ 2448 별찍기 11 [내부링크]
별찍기 - 11 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB73782383173932...
BOJ 2504 괄호의 값 [내부링크]
괄호의 값 성공문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB55601891150336.578%문...
BOJ Hello World [내부링크]
Hello World 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB802313877131...
BOJ 2558 A-B-2 [내부링크]
A+B - 2 성공문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB17480131711220177.095...
BOJ 2577 숫자의 개수 [내부링크]
숫자의 개수 성공문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB129307984700763.126...
BOJ 2581 소수 [내부링크]
소수 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB100463483302936.219%...
BOJ 2675 문자열 반복 [내부링크]
문자열 반복 성공 풀이<input type="radio" name="options" style="margin-top: 4px; margin-right: 0px...
BOJ 2739 구구단 [내부링크]
구구단 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB29440163551510357.9...
BOJ 2741 N 찍기 [내부링크]
N 찍기 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB44861196901744846....
BOJ 2742 기찍 N [내부링크]
기찍 N 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB25356163191506866....
BOJ 2747 피보나치 수 [내부링크]
피보나치 수 성공문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB140826636555349.042...
BOJ 2748 피보나치 수2 [내부링크]
피보나치 수 2 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB102614186371...
BOJ 2749 피보나치 수 3 [내부링크]
피보나치 수 3 성공 풀이문제집 시간 제한메모리 제한제출정답맞은 사람정답 비율1 초128 MB549216541395...
Zero to Hero : 딥 학습을 사용한 객체 감지 가이드 : Faster R-CNN, YOLO, SSD(Object Detection) [내부링크]
http://cv-tricks.com/ Bias-Variance trade-off in Machine LearningIn this post, we shall talk ab...
Object Detection using Single Shot Multibox Detector [내부링크]
http://cv-tricks.com/object-detection/single-shot-multibox-detector-ssd/Object Detection using Si...
BOJ 11401 이항 계수 3 [내부링크]
https://www.acmicpc.net/problem/1140111401번: 이항 계수 311401번...
BOJ 10872 팩토리얼 [내부링크]
https://www.acmicpc.net/problem/1087210872번: 팩토리얼10872번 &#...
BOJ 1676 팩토리얼 0의 개수 [내부링크]
https://www.acmicpc.net/problem/16761676번: 팩토리얼 0의 개...
고급 사용자를 위한 심층 학습을 이용한 객체 탐지 (Part-1) Faster-RCNN,Object Detection [내부링크]
http://cv-tricks.com/artificial-intelligence/object-detection-using-deep-learning-for-advanced-users...
python 얕은 복사(shallow copy) vs 깊은 복사(deep copy) [내부링크]
https://blueshw.github.io/2016/01/20/2016-01-20-shallow-copy-deep-copy/얕은 복1...
Opencv3.2 윈도우 하나에 창 두개 띄우기 [내부링크]
123456789import cv2import numpy as np # Load two images of same sizeimg1 = cv2.imread('img1.jpg')im...
BOJ 2407 조합 [내부링크]
https://www.acmicpc.net/problem/24072407번: 조합2407번 제출 /...
JAVA BufferedReader,BufferedWriter,StringTokenizer,StringBuilder 사용하기 [내부링크]
123456789101112131415161718192021//일반 스캐너Scanner in = new Scanner(System.in);int t = in.next...
boj 6591 이항쇼다운 [내부링크]
https://www.acmicpc.net/problem/65916591번: 이항 쇼다운6591Ǣ...
BOJ 1149 RGB거리 [내부링크]
https://www.acmicpc.net/problem/11491149번: RGB거리1149번 제출...
BOJ 1932 숫자삼각형 [내부링크]
https://www.acmicpc.net/problem/19321932번: 숫자삼각형1932ዚ...
RNN 딥러닝 시스템이 이미지 캡션을 생성하는 방법에 대한 상세 정보 [내부링크]
http://cv-tricks.com/artificial-intelligence/show-attend-tell-image-captioning-explained/Show, atte...
BOJ 2597 계단오르기 [내부링크]
http://nackwon.tistory.com/67 12345678910111213141516171819202122232425262728293031import java.util....
TensorFlow 튜토리얼 : 10 분 빠른 학습자를위한 실용적 TensorFlow 학습 [내부링크]
http://cv-tricks.com/artificial-intelligence/deep-learning/deep-learning-frameworks/tensorflow-tutor...
BOJ 2750 수 정렬하기 [내부링크]
https://www.acmicpc.net/problem/27502750번: 수 정렬하기2750Ǣ...
BOJ 2751 수 정렬하기2 [내부링크]
https://www.acmicpc.net/problem/27512751번: 수 정렬하기 22751...
BOJ 2775 부녀회장이 될테야 [내부링크]
https://www.acmicpc.net/problem/27752775번: 부녀회장이 될&...
BOJ 2839 설탕 배달 [내부링크]
https://www.acmicpc.net/problem/28392839번: 설탕 배달문제 ...
BOJ 2908 상수 [내부링크]
https://www.acmicpc.net/problem/29082908번: 상수2908번 제출 /...
BOJ 2920 음계 [내부링크]
https://www.acmicpc.net/problem/29202920번: 음계2920번 제출 /...
BOJ 2941 크로아티아 알파벳 [내부링크]
https://www.acmicpc.net/problem/29412941번: 크로아티아 알&...
BOJ 4344 평균은 넘겠지 [내부링크]
https://www.acmicpc.net/problem/43444344번: 평균은 넘겠지4...
BOJ 4673 셀프 넘버 [내부링크]
https://www.acmicpc.net/problem/46734673번: 셀프 넘버문제 ...
BOJ 4948 베르트랑 공준 [내부링크]
https://www.acmicpc.net/problem/49484948번: 베르트랑 공준4...
BOJ 5430 AC [내부링크]
https://www.acmicpc.net/problem/54305430번: AC문제 선영이lj...
BOJ 5622 다이얼 [내부링크]
https://www.acmicpc.net/problem/56225622번: 다이얼5622번 제Ȏ...
BOJ 6064 카잉 달력 [내부링크]
https://www.acmicpc.net/problem/60646064번: 카잉 달력6064번 3...
BOJ 7287 등록 [내부링크]
https://www.acmicpc.net/problem/72877287번: 등록7287번 제출 /...
BOJ 8393 합 [내부링크]
https://www.acmicpc.net/problem/83938393번: 합8393번 제출 맞3...
BOJ 8958 OX퀴즈 [내부링크]
https://www.acmicpc.net/problem/89588958번: OX퀴즈8958번 제출 ...
BOJ 9012 괄호 [내부링크]
https://www.acmicpc.net/problem/90129012번: 괄호9012번 제출 /...
BOJ 9020 골드바흐의 추측 [내부링크]
https://www.acmicpc.net/problem/90209020번: 골드바흐의 추&...
BOJ 9498 시험 성적 [내부링크]
https://www.acmicpc.net/problem/94989498번: 시험 성적9498번 3...
BOJ 10039 평균 점수 [내부링크]
https://www.acmicpc.net/problem/1003910039번: 평균 점수10039번 &...
BOJ 10172 개 [내부링크]
https://www.acmicpc.net/problem/1017210172번: 개10172번 제출 맞&...
BOJ 10250 ACM호텔 [내부링크]
https://www.acmicpc.net/problem/1025010250번: ACM 호텔문제 ACM &...
BOJ 10718 We love kriii [내부링크]
https://www.acmicpc.net/problem/1071810718번: We love kriii10718번 제출 ...
BOJ 10809 알파벳 찾기 [내부링크]
https://www.acmicpc.net/problem/1080910809번: 알파벳 찾기10809&#...
BOJ 10817 세 수 [내부링크]
https://www.acmicpc.net/problem/1081710817번: 세 수10817번 제출 ...
BOJ 10828 스택 [내부링크]
https://www.acmicpc.net/problem/1082810828번: 스택10828번 제출 &...
BOJ 10845 큐 [내부링크]
https://www.acmicpc.net/problem/1084510845번: 큐문제 정수를...
BOJ 10866 덱 [내부링크]
https://www.acmicpc.net/problem/1086610866번: 덱문제 정수를...
BOJ 10869 사칙 연산 [내부링크]
https://www.acmicpc.net/problem/1086910869번: 사칙연산10869번 &#...
BOJ 10871 X보다 작은 수 [내부링크]
https://www.acmicpc.net/problem/1087110871번: X보다 작은 수1087...
BOJ 10872 팩토리얼 [내부링크]
https://www.acmicpc.net/problem/1087210872번: 팩토리얼10872번 &#...
BOJ 10989 수 정렬하기 3 [내부링크]
https://www.acmicpc.net/problem/1098910989번: 수 정렬하기 310989...
BOJ 10998 A*B [내부링크]
https://www.acmicpc.net/problem/1099810998번: A*B10998번 제출 맞3...
BOJ 11050 이항 계수 1 [내부링크]
https://www.acmicpc.net/problem/1105011050번: 이항 계수 111050번...
BOJ 11051 이항 계수 2 [내부링크]
https://www.acmicpc.net/problem/1105111051번: 이항 계수 211051번...
BOJ 11654 아스키 코드 [내부링크]
https://www.acmicpc.net/problem/1165411654번: 아스키 코드입...
BOJ 11718 그대로 출력하기 [내부링크]
https://www.acmicpc.net/problem/1171811718번: 그대로 출력하...
BOJ 11719 그대로 출력하기 2 [내부링크]
https://www.acmicpc.net/problem/1171911719번: 그대로 출력하...
BOJ 11720 숫자의 합 [내부링크]
https://www.acmicpc.net/problem/1172011720번: 숫자의 합11720번 &...
BOJ 11721 열 개씩 끊어 출력하기 [내부링크]
https://www.acmicpc.net/problem/1172111721번: 열 개씩 끊어 Ȏ...
BOJ 11866 조세퍼스 문제 0 [내부링크]
https://www.acmicpc.net/problem/1186611866번: 조세퍼스 문제...
BOJ 1463 1로 만들기 [내부링크]
https://www.acmicpc.net/problem/14631463번: 1로 만들기1463번 ...
convolutional neural network(CNN) 이용한 Image classifier 구현하기 [내부링크]
http://cv-tricks.com/tensorflow-tutorial/training-convolutional-neural-network-for-image-classificat...
Keras 튜토리얼 : 시작부터 복잡한 CNN 개발에 이르기까지 실용 가이드 [내부링크]
http://cv-tricks.com/tensorflow-tutorial/keras/ Keras는 Tensorflow 또는 Theano를 백엔드로 사용하...
BOJ 10844 쉬운 계단 수 [내부링크]
https://www.acmicpc.net/problem/1084410844번: 쉬운 계단 수10844&...
Tensorflow에서 deconvolution layer을 사용한 이미지 세분화(Image Segmentation) [내부링크]
http://cv-tricks.com/image-segmentation/transpose-convolution-in-tensorflow/ 이 일련의 게시물에서 우...
convolutional neural network(CNN) 알고리즘 [내부링크]
http://lifencomputing.blogspot.kr/2017/05/cnn-convolution.html CNN, ConvolutionCConvolutional ...
boj 2293 동전 1 [내부링크]
https://www.acmicpc.net/problem/22932293번: 동전 12293번 제출 &#...
ResNet, AlexNet, VGGNet, Inception : Convolutional Networks의 다양한 아키텍처 이해 [내부링크]
http://cv-tricks.com/cnn/understand-resnet-alexnet-vgg-inception/ResNet, AlexNet, VGGNet, I...
라온피플 academy part1 [내부링크]
http://laonple.blog.me/220463627091[Part Ⅰ. Machine Learning] 1. Overview - 라Ꮠ...
라온피플 아카데미 part2 Neural Networks [내부링크]
http://laonple.blog.me/220489989951[Part Ⅱ. Neural Networks] 1. Overview - 라온...
BOJ 2156 포도주 시식 [내부링크]
https://www.acmicpc.net/problem/21562156번: 포도주 시식2156Ǣ...
BOJ 1520 내리막 길 [내부링크]
https://www.acmicpc.net/problem/15201520번: 내리막 길문제 ...
BOJ 9251 LCS [내부링크]
https://www.acmicpc.net/problem/92519251번: LCS9251번 제출 맞Ꮼ...
BOJ 11066 파일합치기 JAVA [내부링크]
https://xyom.github.io/2017/12/26/%EB%B0%B1%EC%A4%80%2011066%20%ED%8C%8C%EC%9D%BC%E...
BOJ 2965 캥거루 세마리 java [내부링크]
https://www.acmicpc.net/problem/29652965번: 캥거루 세마리2...
정보처리기사 실기 업무프로세스 요약 [내부링크]
정보처리기사/산업기사실기 기사퍼스트(w w w .gisafirst.com )[업무프로세스1강]-기출문제풀이15. 업무프...
정보처리기사 실기 요약 사이트 [내부링크]
신기술은 http://seokr.tistory.com/m/category/자격증/정보처리기사'자격증/정&#...
정보처리기사 실기 신기술 동향 2018 요약 (문제가림) [내부링크]
http://seokr.tistory.com/m/532?category=7313542018 정보처리기사 ...
정보처리기사 실기 고급 요약 2018 (문제가림) [내부링크]
http://seokr.tistory.com/m/534?category=7313542018 정보처리기사 ...
정보처리기사 실기 보안 2018 요약 (문제가림) [내부링크]
http://seokr.tistory.com/m/537?category=7313542018 정보처리기사 ...
백준 1912 연속합 java [내부링크]
https://www.acmicpc.net/problem/19121912번: 연속합1912번 제Ȏ...
pyqt5 QThread 와 matplot 동적으로 그리기 [내부링크]
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051from P...
Deep Convolutional Neural Networks and Data augmentation for Environmental sound classification [내부링크]
cnn 기반 sound classification이다. 비전 관련 논문만 보다가 sound classification 논문 처음 봤는데, 앞...
BOJ 9461 파도반 수열 [내부링크]
https://www.acmicpc.net/problem/9461 규칙을 찾아야한다. 인덱스 0 1 2 3 4 5 6 7 8 9 10 11 12값 1 1 1 ...
BOJ 9252 LCS2 [내부링크]
https://www.acmicpc.net/problem/92529252번: LCS 29252번 제출 맞3...
파이썬(python) 아나콘다(anaconda) librosa 설치방법 [내부링크]
Python Library : Librosa 설치방법LibROSA 설치방법 1. LibROSA 소개 LibROSA는 music ...
Jupyter에 virtualenv(가상환경) 커널 추가하기 [내부링크]
내 가상환경으로 들어가자 activate tensorflowNow run the kernel "self-install" script:python -m ipyk...
CNN을 이용한 Urban Sound Classification, Part 2 [내부링크]
https://aqibsaeed.github.io/2016-09-24-urban-sound-classification-part-2/Urban Sound Classificati...
BOJ 2490 윷놀이 [내부링크]
https://www.acmicpc.net/problem/24902490번: 윷놀이2490번 제Ȏ...
BOJ 1022 소용돌이 예쁘게 출력하기 [내부링크]
https://www.acmicpc.net/problem/10221022번: 소용돌이 예쁘&...
BOJ 3053 택시 기하학 [내부링크]
https://www.acmicpc.net/problem/30533053번: 택시 기하학문&...
opencv heatmap python 그리기 pedestrian 잔상 [내부링크]
opencv로 heatmap 그리기 123456789101112131415161718192021222324252627282930313233videoname = '101' c...
BOJ 1934 최소공배수 [내부링크]
https://www.acmicpc.net/problem/19341934번: 최소공배수1934ዚ...
BOJ 13241 최소공배수 [내부링크]
https://www.acmicpc.net/problem/1324113241번: 최소공배수문...
BOJ 2609 최대공약수와 최소공배수 [내부링크]
https://www.acmicpc.net/problem/26092609번: 최대공약수와 &...
BOJ 1850 최대공약수 [내부링크]
https://www.acmicpc.net/problem/18501850번: 최대공약수1850ዚ...
Python ftp upload하기 [내부링크]
파이썬 ftp 업로드 12345678910111213 import ftplib import os filename = "file.jpg" ftp = ftplib.FT...
opencv image ftp upload 하기 [내부링크]
이미지를 저장하고 그 이미지를 ftp서버에 upload한다. 소켓통신보다 훨씬 편한것같다. 123456789101112131...
BOJ 2981 검문 [내부링크]
https://www.acmicpc.net/problem/29812981번: 검문2981번 제출 /...
BOJ 3036 링 [내부링크]
https://www.acmicpc.net/problem/30363036번: 링3036번 제출 맞3...
BOJ 2455 지능형 기차 [내부링크]
https://www.acmicpc.net/problem/24552455번: 지능형 기차문&...
BOJ 1094 막대기 [내부링크]
https://www.acmicpc.net/problem/10941094번: 막대기문제 지&...
[공유] [순열과 조합] 순열, 조합의 차이점 명쾌 설명 [내부링크]
일상생활에서 우리는 매순간 선택과 배열을 접한다 선택은 여럿 가운데 하나를 고르는 행위이다. 문제를 해...
BOJ 1057 토너먼트 [내부링크]
https://www.acmicpc.net/problem/10571057번: 토너먼트1057번 Ȁ...
BOJ 1547 공 [내부링크]
https://www.acmicpc.net/problem/15471547번: 공1547번 제출 맞3...
BOJ 1024 수열의 합 [내부링크]
https://www.acmicpc.net/problem/10241024번: 수열의 합1024번 3...
mAP (mean Average Precision) for Object Detection 평균정밀도 [내부링크]
https://medium.com/@jonathan_hui/map-mean-average-precision-for-object-detection-45c121a31173mAP (...
How to start a Deep Learning project? [내부링크]
https://medium.com/@jonathan_hui/how-to-start-a-deep-learning-project-d9e1db90fa72How to start a D...
Build a Deep Learning dataset (Part 2) [내부링크]
https://medium.com/@jonathan_hui/build-a-deep-learning-dataset-part-2-a6837ffa2d9eBuild a Deep Le...
Deep Learning designs (Part 3) [내부링크]
제 3 부에서는 몇 가지 고차원적인 심층 학습 전략에 대해 다룹니다. 그런 다음 가장 일반적인 디자인 선택...
보안 Password Salt [내부링크]
솔트(Salt)- 의미는 소금을 뜻하며 소금(솔트)이 요리(해시)에 첨가된다 라는 의미로 사용되는 듯 하다.- ...
K-means Clustering 군집화 [내부링크]
https://ratsgo.github.io/machine%20learning/2017/04/19/KC/K-평균 군집6...
ERP 재무회계모듈 [내부링크]
재무회계모듈 기업의 경영활동을 기록 정리하여 기업 외부에 공표할 목적으로 작성되는 재무제표 등 각종 ...
ERP 영업유통모듈 [내부링크]
영업유통 모듈 판매활동 및 물류의 전 프로세스를 지원하며, 연관된 구매/자재, 생산, 회계 등의 기능들과 ...
ERP 생산관리모듈 [내부링크]
생산관리 모듈 생산기준정보를 관리하고, 다양한 제품 수요정보를 고려하여 최적화된 생산계획을 수립하며 ...
ERP 관리회계모듈 [내부링크]
관리회계모듈 기업의 목표달성을 위하여 경영관리활동과 관련한 내부보고서를 신속하게 작성하여, 전략적 ...
BOJ 10253 헨리 [내부링크]
https://www.acmicpc.net/problem/1025310253번: 헨리문제 이제...
BOJ 10219 Meats On The Grill [내부링크]
https://www.acmicpc.net/problem/1021910219번: Meats On The Grill문제 Coders ...
BOJ 1107 리모컨 [내부링크]
https://www.acmicpc.net/problem/11071107번: 리모컨문제 수&...
Visualize Deep Network models and metrics (Part 4) [내부링크]
심층 네트워크의 문제를 해결할 때 사람들은 너무 빨리 결론에 도달합니다. 문제를 해결하는 방법을 배우기...
boj 11004 k번째 수, 언어별 정렬 속도 비교 [내부링크]
https://www.acmicpc.net/step단계별로 풀어보기문...
BOJ 1780 종이의 개수 [내부링크]
https://www.acmicpc.net/problem/17801780번: 종이의 개수1780Ǣ...
BOJ 2740 행렬 곱셈 java [내부링크]
https://www.acmicpc.net/problem/27402740번: 행렬 곱셈2740번 3...
java 로그함수 (밑이 2,3,4 x인 로그 함수) [내부링크]
자바 api에는 Math.log()와 Math.log10() 함수가 있습니다.이 함수를 사용하여 밑이 2인 로그함수를 만들...
BOJ 2042 구간 합 구하기 JAVA [내부링크]
https://www.acmicpc.net/problem/20422042번: 구간 합 구하기...
BOJ 1992 쿼드트리 java [내부링크]
https://www.acmicpc.net/problem/19921992번: 쿼드트리1992번 Ȁ...
남자 2분할 루틴(순서) 및 운동법/후기 [내부링크]
2분할이란? - 신체를 두 부위로 나누거나, 밀기당기기로 2일간에 걸쳐서 전신을 운동한다. 나는 상체하...
BOJ 2263 트리의 순회 [내부링크]
https://www.acmicpc.net/problem/22632263번: 트리의 순회2263Ǣ...
BOJ 2447 별찍기 - 10(프렉탈 사각형) [내부링크]
https://www.acmicpc.net/problem/24472447번: 별찍기 - 10입력 4...
BOJ 1074 Z, 쿼드트리 [내부링크]
https://www.acmicpc.net/problem/10741074번: Z1074번 제출 맞은 &...
라인 스위핑이란? Line sweeping [내부링크]
라인 스위핑이란? 수 많은 점들 중에서 가장 가까운 두 점을 찾는 문제가 존재한다.이러한 문제의 시나리오...
남자 3분할 루틴(순서) 및 운동법/후기 [내부링크]
3분할이란? 가슴삼두, 등이두, 하체어깨로 묶어서 3일간 전신을 운동하는 것을 말한다. 맨처음에 4분할 1...
카카오 코딩 페스티벌 후기 [내부링크]
카카오 코딩페스티벌 오늘 했는데 a,b 밖에 못 풀고 다른 문제는 손도 못댔다 ㅠㅠ f번은 최근에 풀었던 ...
라그랑주 승수(Lagrange Multiplier) [내부링크]
-제약이 있는 최적화 문제를 푸는 방법 -어떤 함수가 주어진 제약식을 만족시키면서, 그 함수가 갖는 최대...
고유 벡터(Eigenvectors), PCA, 공분산(Covariance) 및 엔트로피(Entropy)에 대한 기초 강의 [내부링크]
https://deeplearning4j.org/kr/eigenvector고유 벡터(Eigenvectors), PCA, &...
비둘기 집의 원리란?? [내부링크]
비둘기집 원리는 간단하게 말해서 n+1개의 물건을 n개의 상자에 넣은 경우, 최소한 한 상자에는 그 물건이 ...
BOJ 2261 가장 가까운 두 점 [내부링크]
https://www.acmicpc.net/problem/2261 가장 가까운 두 점을 찾는 문제이다. 정말 쉽게 생각하면 점 하나를...
java SortedSet 사용법 [내부링크]
SortedSet 사용법에 대해서 알아보록 하겠습니다.SortedSet은 원소들이 정렬되어 있는 Set입니다. 따...
BOJ 1977 완전제곱수 [내부링크]
https://www.acmicpc.net/problem/1977완전 제곱수를 구하는 문제이다. 제곱 값이 될 수 있는 가장 가까운 ...
에라토스테네스의 체 [내부링크]
에라스토테네스란? 수학에서 에라토스테네스의 체는 소수를 찾는 방법이다. 고대 그리스 수학자 에라토스테...
boj 1016 제곱 ㄴㄴ 수 [내부링크]
https://www.acmicpc.net/problem/10161016번: 제곱 ㄴㄴ 수10160...
BOJ 1015 수열정렬 [내부링크]
https://www.acmicpc.net/problem/10151015번: 수열 정렬1015번 3...
BOJ 12796 나의 행렬곱셈 답사기 [내부링크]
https://www.acmicpc.net/problem/1279612796번: 나의 행렬곱셈...
BOJ 11049 행렬곱셈순서 (DP 최소 연쇄행렬곱셈) [내부링크]
https://www.acmicpc.net/problem/1104911049번: 행렬 곱셈 순ፏ...
BOJ 10220 Self Representing Seq [내부링크]
https://www.acmicpc.net/problem/1022010220번: Self Representing Seq10220번 제&#...
BOJ 11778 피보나치 수와 최대공약수 [내부링크]
https://www.acmicpc.net/problem/1177811778번: 피보나치 수와...
BOJ 114444 피보나치수6 [내부링크]
https://www.acmicpc.net/problem/1144411444번: 피보나치 수 611444...
BOJ 1629 곱셈 [내부링크]
https://www.acmicpc.net/problem/16291629번: 곱셈1629번 제출 /...
BOJ 11689 GCD(n, k) = 1 [내부링크]
https://www.acmicpc.net/problem/1168911689번: GCD(n, k) = 111689번 제출 &...
BOJ 2309 일곱 난쟁이 [내부링크]
https://www.acmicpc.net/problem/23092309번: 일곱 난쟁이2309Ǣ...
BOJ 2231 분해합 [내부링크]
https://www.acmicpc.net/problem/22312231번: 분해합2231번 제Ȏ...
BOJ 7568 덩치 [내부링크]
https://www.acmicpc.net/problem/75687568번: 덩치7568번 제출 /...
안드로이드+MYSQL+PHP 웹서버 연동하기 -1 [내부링크]
안드로이드 자체적으로 가지고 있는 SqlLite는 어플리케이션 자체적으로 사용하기 때문에, DB를 웹서버...
안드로이드+MYSQL+PHP 웹서버 연동하기 -2 [내부링크]
웹서버에 있는 db값을 읽어 json형태로 화면에 보여주는 것을 먼저 해야합니다. 1234567891011121314151617...
boj 1038 감소하는수 [내부링크]
https://www.acmicpc.net/problem/10381038번: 감소하는 수1038Ǣ...
boj 1991 트리순회 [내부링크]
https://www.acmicpc.net/problem/19911991번: 트리 순회1991번 3...
인공지능을 위한 선형대수 - 실습1 [내부링크]
https://www.edwith.org/linearalgebra4ai/joinLectures/14072www.edwith.orgwww.edwith.org 작년에 확률...
인접 행렬과 인접리스트 [내부링크]
그래프의 표현 위 표의 첫번째 줄은 Vertex의 개수와 Edge의 개수를 나타낸 것이며, 두 번째 줄에서 마지...
java 형변환 속도비교(parseint,valueof,Stringbuilder,StringBuffer) [내부링크]
int to String String str = Integer.toString(i); String str = "" + i;* 속도 테스트 결과 : 1 - 2 ...
boj 11725 트리의 부모 찾기 [내부링크]
https://www.acmicpc.net/problem/1172511725번: 트리의 부모 ᑬ...
boj 1167 트리의 지름 [내부링크]
https://www.acmicpc.net/problem/1167 1167번: 트리의 지름11670...
인공지능을 위한 선형대수 - 실습2 least squares [내부링크]
15시간짜리 강의여서 일주일이면 충분 할 줄 알았는데, 생각보다 조금 오래걸렸다. 1234567891011121314151...
boj 2250 트리의 높이와 너비 [내부링크]
https://www.acmicpc.net/problem/2250 2250번: 트리의 높이와...
boj 1967 트리의지름 [내부링크]
https://www.acmicpc.net/problem/1967 1967번: 트리의 지름19670...
영양제 리뷰 - R3 밀크시슬 플러스 300mg (60식물성캡슐) [내부링크]
지금까지 먹었거나 먹고 있는 영양제 및 보충제를 하나하나 리뷰를 해보려고 한다. 첫 리뷰는 R3 밀크시슬...
Google 머신러닝(ML) - 주요 ML 용어 [내부링크]
구글에서 제공해주는 ML강의이다. 앞으로 공부한 해당 강의의 내용을 하나하나 정리하려고한다.지난 모두...
Google 머신러닝(ML) - 선형회귀 [내부링크]
ML로 전환하기: 선형 회귀 오랫동안 귀뚜라미는 시원날 날보다 더운 날 더 자주 우는 것으로 알려져 왔습...
Google 머신러닝(ML) - 학습 및 손실 [내부링크]
ML로 전환하기: 학습 및 손실모델을 학습시킨다는 것은 단순히 말하자면 라벨이 있는 데이터로부터 올바...
Google 머신러닝(ML) - 손실 줄이기 : 반복 방식 [내부링크]
손실 줄이기: 반복 방식이전 모듈에서는 손실의 개념을 소개했습니다. 이 모듈에서는 머신러닝 모델이 반복...
Google 머신러닝(ML) - 손실 줄이기 : 경사하강법 [내부링크]
손실 줄이기: 경사하강법반복 방식 다이어그램(그림 1)에는 '매개변수 업데이트 계산'이라는 두루뭉술한 모...
boj 1693 트리 색칠하기 [내부링크]
https://www.acmicpc.net/problem/1693 1693번: 트리 색칠하기...
BFS(너비우선탐색) [내부링크]
BFS(Breadth First Search)는 그래프 전체를 탐색하는 방법 중의 하나입니다. 그래프 전체를 탐색하...
boj 7576 토마토 (C++, Java) [내부링크]
https://www.acmicpc.net/problem/7576 7576번: 토마토문제 철...
boj 7569 토마토 (C++, Java) [내부링크]
https://www.acmicpc.net/problem/7569 7569번: 토마토문제 철...
영양제 리뷰 - 알파맨 마이프로틴 종합비타민 [내부링크]
이번 리뷰는 마이프로틴사의 종합비타민인 알파맨입니다. 다른 비타민과 크게 다를 것이 없지만, 하나 특별...
boj 2178 미로 탐색(JAVA,C++) [내부링크]
https://www.acmicpc.net/problem/2178 2178번: 미로 탐색문제...
boj 2606 바이러스 [내부링크]
https://www.acmicpc.net/problem/2606 2606번: 바이러스2606번 3...
네이버블로그 구글검색 등록하기 [내부링크]
https://m.blog.naver.com/redbud7502/221355258868 네이버 블로그 &...
boj 2667 단지번호붙이기 [내부링크]
https://www.acmicpc.net/problem/2667 2667번: 단지번호붙이&...
Fast Resion Rabeling - C++, Python으로 구현 [내부링크]
Fast Region Labeling algorithm 하나의 래스터스캔(좌측부터 끝까지 슬라이드)을 하면서 경계를 동시에...
Google 머신러닝(ML) - 텐서플로우 계층구조(estimator API) [내부링크]
텐서플로우 첫걸음: 도구 다음 표에는 여러 레이어의 목적이 요약되어 있습니다.도구함설명에스티메이터(tf...
Google 머신러닝(ML) - 과적합 [내부링크]
일반화: 과적합의 위험이 모듈에서는 일반화에 초점을 맞추고 세 개의 그림을 활용하여 일반화 개념에 대해...
Google 머신러닝(ML) - 검증(validation) [내부링크]
검증: 추가 분할이전 모듈에서는 데이터 세트를 학습 세트와 테스트 세트로 분리하는 방법을 소개했습니다....
Google 머신러닝(ML) - 특성추출과 데이터 정제 [내부링크]
표현: 특성 추출예상 시간: 9분기존의 프로그래밍에서는 코드에 중점을 두었습니다. 머신러닝 프로젝트에서...
[Algorithm] 유니온 파인드(Union Find)와 서로소 집합(Disjoint Set) [내부링크]
[Algorithm] 유니온 파인드(Union Find)와 서로소 집합(Disjoint Set)집합을 표현할 때 사용하는 유니...
boj 10216 Count Circle Groups [내부링크]
https://www.acmicpc.net/problem/10216 10216번: Count Circle Groups10216번 제...
Google 머신러닝(ML) - 특성교차(원핫벡터교차) [내부링크]
특성 교차: 비선형성 인코딩예상 시간: 7분그림 1과 2에서 다음을 상상해 보세요. 파란색 점은 병든 나무를...
Google 머신러닝(ML) - L2정규화와 람다 [내부링크]
다음에 제시된 일반화 곡선은 학습 반복 횟수에 대해 학습 세트와 검증 세트의 손실을 보여줍니다. 그림 1....
Google 머신러닝(ML) - 로지스틱 회귀 [내부링크]
많은 문제에 확률 추정치가 출력으로 필요합니다. 로지스틱 회귀는 매우 효율적인 확률 계산 메커니즘입니...
boj 1890 점프 [내부링크]
https://www.acmicpc.net/problem/1890 1890번: 점프1890번 제출 ...
boj 1325 효율적인 해킹 [내부링크]
https://www.acmicpc.net/problem/1325 1325번: 효율적인 해킹...
boj 10451 순열사이클 [내부링크]
https://www.acmicpc.net/problem/10451 10451번: 순열 사이클10451&...
위상 정렬(Topological Sort) 알고리즘 [내부링크]
출처 : https://m.blog.naver.com/PostView.nhn?blogId=kks227&logNo=220800013823&proxyRefe...
boj 2252 줄 세우기 [내부링크]
https://www.acmicpc.net/problem/2252 2252번: 줄 세우기2252번 ...
마이프로틴 임팩트웨이 리뷰 / 맛 평가 [내부링크]
마이프로틴의 판매 1위 보충제 임팩트웨이입니다. 운동을 처음 시작할 때는 All in One 제품인 몬스터밀...
Tensorflow FASHION-MNIST [내부링크]
Tensorflow FASHION-MNIST 예제소스이다. 0~9 숫자 맞추는거 말고도, 옷 종류 맞추는 mnist도...
칼만 필터(Kalman filter) [내부링크]
Kalman filter란?칼만 필터는 1960년대 초 루돌프 칼만이 개발한 알고리즘으로 NASA의 아폴로 프로젝...
파이썬 xml 수정하기 [내부링크]
12345678910111213141516171819202122232425262728293031323334353637import osimport xml.etree.Element...
파이썬 이미지 크기 변경하기 [내부링크]
1234567891011121314from PIL import Imagefrom resizeimage import resizeimageimport osimport xml.e...
python 구글 이미지 다운로더, 웹크롤링 [내부링크]
특정 검색어를 입력하면, 해당하는 구글 이미지를 추출한다. 1234567891011121314151617181920212223242526...
CNN,R-CNN,FasterR-CNN,FasterR-CNN [내부링크]
https://blog.lunit.io/2017/06/01/r-cnns-tutorial/ R-CNNs TutorialINTRODUCTION Obje...
Transfer Function Layers(Tanh, sigmoid, softmax, relu, rrelu, crelu) [내부링크]
https://nn.readthedocs.io/en/latest/transfer/index.html Transfer Functions - nnnn Home Modules ...
Run a program in background and redirect their outputs to file in real time [내부링크]
파이썬은 버퍼채우는데 오래걸린다. back에서 log를 찍을 때, -u를 적어주자#!/bin/bashpython -u 1.py >...
얼굴을 읽는 AI 브랜드 Face++ [내부링크]
예전에는 집 열쇠가 없으면 엄마가 돌아올 때까지 놀이터에서 기다리기도 했고, 우리들만의 비밀장소에 열...
리눅스 여러 파일 내 문자열 치환 [내부링크]
2. 현재 경로로부터 하위 폴더까지의 "cpp"파일들 내에 "lion"이란 문자열을 "tiger"로 변경하는 경우 find...
다중 창 관련 명령 :vs [내부링크]
명령모드 ex모드 결과 창생성CTRL-W s :[N]sp[plit] 현재 파일을 두 개의 수평 창으로 나눔CTRL-...
이미지 분류: 데이터 기반 방법론, k-Nearest Neighbor, train/val/test 구분 [내부링크]
본 강의노트는 컴퓨터비전 외의 분야를 공부하던 사람들에게 Image Classification(이미지 분류) 문제와,...
선형 분류: Support Vector Machine, Softmax [내부링크]
Table of Contents:선형 분류 소개선형 스코어 함수선형 분류기 분석하기손실함수(Loss function)Multi...
Fine-tuning CaffeNet for Style Recognition on “Flickr Style” Data [내부링크]
파인튜닝을잘하자Fine-tuning takes an already learned model, adapts the architecture, and resumes tr...
Data Augmentation for Bounding Boxes: Rethinking image transforms for object detection [내부링크]
When it comes to getting good performances from deep learning tasks, the more data the merrier. Ho...
weights 초기화 잘하기 - xavier, he [내부링크]
이번 동영상은 Deep Learning을 잘 하는 두 번째 방법인 "초기화를 잘 해보자"에 대해 얘기한다.backprop...
네이버 블로그
티스토리
커뮤니티