🍮 🍮

🍮🍮

• ☘︎ Computer VIsion - Szeliski 5장 ☘︎

  ☘︎ Computer Vision - Szeliski 2026.02.13 20:17

  5.4 Convolutional newral networks5.4.7 Self-supervised learning하나의 작업을 위해 백본 네트워크를 pre-train해두고, 마지막 몇 층을 다른 작업에 맞는 새로운 헤드로 교체한 다음 그 부분을 학습시키는 방식은 매우 흔하다.경우에 따라서는 원래 백본 네트워크의 마지막 몇 개 층을 fine-tuning할 수 있다. transfer learning(전이학습) : 한 작업에서 학습한 내용을 다른 작업에 활용하는 아이디어이다.domain adaptation(도메인 적응) : 최종적으로 적용하려는 용도와 데이터의 통계적 특성에 맞게 네트워크의 마지막 부분을 수정, 조정하는 과정이다. 이러한 접근은 원래 labeled dataset으로 백본을 학습시키는 fully..

  Read More
• ☘︎ Computer vision - Szeliski 6장 (2) ☘︎

  ☘︎ Computer Vision - Szeliski 2026.02.12 10:44

  6.4 Semantic segmentation일반적인 object recognition 및 scene understanding의 도전적인 버전은 인식과 정확한 경계 분할을 동시에 수행하는 것이다. simultaneous recognition and segmentation의 기본 접근은, 이미지의 모든 픽셀에 대해 그 픽셀이 어떤 클래스에 속하는지 라벨을 붙이는 문제로 정식화하는 것이다.예전 접근은 energy minimization, Bayesian inference 기술, 즉 conditional random fields(CRF)를 이용했다.TextonBoost 시스템은 이미지별 색 분포에 기반한 unary potential, 위치 정보, shared boosting으로 학습된 새로운 texture-l..

  Read More
• ☘︎ Computer vision - Szeliski 6장 (1) ☘︎

  ☘︎ Computer Vision - Szeliski 2026.02.11 13:24

  6.1 Instance recognition일반적인 object recognition은 instance recognition과 class recognition으로 나뉜다.instance recognition은 알려진 2차원, 3차원의 rigid object를 re-recognize하는 것을 포함한다.이는 부분적인 가려짐과 복잡한 배경과 함께 새로운 시점에서 바라볼 가능성이 있다.class recognition는 카테고리 수준 또는 일반 객체 인식이라고도 알려져 있으며, 특정 일반 클래스의 모든 인스턴스를 인식하는 훨씬 더 어려운 문제이다. 새로운 이미지와 데이터베이스의 이미지 모두에서 informative sparse 2D features을 추출한 후, 이미지 특징은 객체 데이터베이스와 매칭되며, 희소..

  Read More
• ✱ 핸즈온 머신러닝 18장 강화 학습 ✱

  ✩ 핸즈온 머신러닝 2026.02.06 20:33

  18.1 보상을 최적화하기 위한 학습강화 학습에서 소프트웨어 에이전트는 관측을 하고 주어진 환경에서 행동을 한다. 그리고 결과에 따라 환경으로부터 보상을 받는다. 에이전트의 목적은 보상의 장기간 기대치를 최대로 만드는 행동을 학습하는 것이다.양의 보상은 기쁨으로, 음의 보상은 아픔으로 생각할 수 있다.18.2 정책 탐색정책 : 소프트웨어 에이전트가 행동을 결정하기 위해 사용하는 알고리즘이다. 예) 관측을 입력으로 받고 수행할 행동을 출력하는 신경망정책은 모든 알고리즘이 될 수 있으며 결정적일 필요는 없다. 어떤 경우에는 환경을 관측할 필요도 없다.무작위성이 포함되어 있는 정책을 확률적 정책이라고 한다. 예) 30분 동안 수집한 먼지의 양을 보상으로 받는 로봇 진공청소기가 있다.여기에는 변경이 가능한 두..

  Read More
• ✱ 핸즈온 머신러닝 17장 오토인코더, GAN 그리고 확산 모델 ✱

  ✩ 핸즈온 머신러닝 2026.02.05 21:38

  오토인코더 : 지도 방식을 사용하지 않고도(레이블되어 있지 않은 훈련 훈련 데이터를 사용해서) 잠재 표현 또는 코딩이라 부르는 입력 데이터의 밀집 표현을 학습할 수 있는 인공신경망이다. 코딩은 일반적으로 입력보다 훨씬 낮은 차원을 가진다.따라서 오토인코더는 차원 축소, 특히 시각화에 유용하게 사용된다.오토인코더가 강력한 특성 추출기처럼 작동하므로 심층 신경망의 비지도 사전 훈련에 사용될 수 있다.생성 모델 : 일부 오토인코더는 훈련 데이터와 매우 비슷한 새로운 데이터를 생성할 수 있다.예) 얼굴 사진으로 오토인코더를 훈련하면 이 모델은 새로운 얼굴을 생성할 수 있게 된다. 생성적 적대 신경망(GAN)도 데이터를 생성할 수 있다. 지금 생성 학습 분야에서 주목할 만한 것은 확산 모델이다. GAN보다 다양하..

  Read More