𝄢 𝄢

* * * VGGNet은 2014년도 ILSVRC (ImageNet Large Scale Visual Recognition Challenge)에서 준우승한 CNN 네트워크이다. VGGNet의 논문 제목은 "Very deep convolutional networks for large-scale image recognition"으로, 네트워크 깊이를 깊게 만드는 것이 성능에 어떤 영향을 미치는 지 확인하는 목적을 가진다. VGGNet에는 A, A-LRN, B, C, D, E가 있는데 본 포스팅은 16개의 layer 를 가진 D에 대해서 정리한다. D부분과 아래의 MLP를 합쳐 그림으로 나타낸 것은 아래와 같다. 표 1의 D 모델을 통과한 output의 shape을 계산해보았다. conv3 를 반복하면서 채널..

In the context of artificial neural networks, the receptive field is defined as the size of the region in the input that produces the featres. Wikipedia CNN은 local operation(i.e., convolution, pooling)을 통해 여러 번 레이어를 거치면서 원본 이미지의 점점 추상적인 특징을 학습하기 때문에 시각적 패턴을 인식하는 데 다른 유형의 신경망과 비교했을 때 성능이 좋다. 후반의 레이어는 초반의 레이어보다 이미지의 더 넓은 부분을 보게 된다. 이제부터 후반부의 레이어를 Higher layer, 초반의 레이어를 Lower layer라고 하겠다. lower lay..

* * * CNN의 컨볼루션은 위치별 패턴을 찾는 연산이다. 컨볼루션을 신경망에 적용한다는 것은 "내가 지금부터 보여줄 입력 숫자들(사진)에는 어떤 위치별 패턴이 있다" 라는 사전 정보(Inductive bias) 를 잘 준 것이다. 특징 1. 신경 다발 connection을 잘 끊어냄 - 인간의 뇌는 이미지를 인식할 때 뇌의 일부분만 활성화 시킨다. Fully connected layer처럼 첫 layer에서 모든 픽셀의 값을 한꺼번에 모두 다 보려는 것은 인간의 사고방식이 아니라는 것이다. 이미지를 FC layer에 넣는다면 모든 픽셀을 한 번에 넣어서 신경망에 통과시키기 때문에 이건 뭐 아래 그림 처럼 이미지의 픽셀들 위치를 서로 막 바꿔 weight를 학습하는 것과 다를 바가 없다. Fully c..

﹡ R-CNN 계열의 2-stage detector는 region proposal 과 같은 다양한 view를 모델에 제공하여 높은 정확도를 보여주었다. 하지만 region proposal을 추출하고 이를 처리하는 과정에서 많은 시간이 걸려 detection 속도가 느리다는 단점이 있다. YOLO v1 은 원본 이미지 전체를 통합된 네트워크로 처리하기 때문에 detection 속도가 매우 빠르다. 하지만 grid cell 별로 2개의 bounding box 만을 선택하여 상대적으로 적은 view 를 모델에 제공하여 정확도가 떨어진다. 이러한 정확도와 detection 속도의 trade-off 관계를 완화한 모델이 SSD 이다. SSD 는 다양한 view를 활용하면서 통합된 single deep neural..

﹡ 1. Git 설치 $ /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" $ brew install git $ sudo port install git Git 설치 전에 Homebrew 설치가 안되어있다면 위 코드 블락의 첫번째 명령어로 설치한다. 2. Git 셋업하기 $ git config --global user.name "" $ git config --global user.email $ git config --global core.editor vi 원격에서 작업하기 위해 아래 명령어도 해준다. $ git config --global --add push.default current..

Simple Linear Iterative Clustering (SLIC)은 주로 이미지 처리에서 사용되는 슈퍼픽셀 생성 알고리즘이다. SLIC 알고리즘은 의미적으로 관련된 픽셀을 그룹화하여 슈퍼픽셀을 생성하는데 사용된다. 슈퍼픽셀(Super pixel, segmented pixel)은 인접한 픽셀들을 하나의 그룹으로 묶어 시각적으로 의미 있는 영역을 형성하는 작은 블록 또는 패치를 의미한다. 이러한 슈퍼픽셀은 전통적인 픽셀 단위의 이미지 처리 대신 의미적으로 유사한 "영역"을 고려하여 이미지를 분할한다. 예컨데 산과 강 그리고 하늘, 나무를 담고있는 이미지에서 특정 픽셀들의 영역은 어떤 의미를 가지고 있다. 아래 그림에서 박스를 친 부분은 색이 파란색이고 땅 부분과는 분리되어 '강' 이라는 의미를 가진..

✣ 허프 변환의 동작을 요약하면 다음과 같다. 입력된 각각의 점 $(x_{i},y_{i})$ 에 대해 $(a,b)$ 공간에 직선 $b=-ax_{i}+y_{i}$를 그린 다음 이들 직선이 만나는 점 $(a,b)$를 찾아 $a$를 기울기, $b$를 $y$절편으로 취한다. 만나는 점은 투표로 알아낸다. "투표"의 의미? 각각의 직선은 자신이 지나는 점에 1만큼씩 투표를 한다. 결국 직선이 지나지 않는 곳은 0, 직선이 지나는 곳은 1표, 두 직선이 만나는 곳은 2표를 받는다. 앞서 설명한 허프 변환은 이상적인 상황을 가정했다. 실제 상황에서 구현하 때는 몇 가지 사항을 신중히 고려해야 한다. 1) 위 그림에서는 두 점만 고려했는데 현실에서는 많은 점이 있고 점들이 완벽히 일직선을 이루지 못함 -> 이 문제는 ..

✣ Background 앞선 포스트에서 검출한 에지 맵에서 에지 화소는 1, 에지가 아닌 화소는 0으로 표시되었다. 사람 눈에는 에지가 연결된 선분으로 보이는데, 에지 맵에는 연결 관계가 암시적으로 나타나 있을 뿐 명시적으로 표현되어 있지 않다. 이들을 연결하여 경계선으로 변환하고 경계선을 직선으로 변환하면 이후 단계인 물체 표현이나 인식에 무척 유리하다. 경계선 찾기 OpenCV의 findContours 함수를 활용하면 에지 맵에서 경계선을 찾아 연속된 점들의 집합을 리스트로 표현할 수 있다. findCountours 함수에 경계선을 찾을 에지 영상을 첫번째 인수에 입력하면, 경계선을 찾아서 객체에 저장을 해준다. 또 OpenCV의 drawContours 함수는 영상에 경계선을 그린다. 첫 번째 인수는..