IT/Deeplearning 썸네일형 리스트형 [Performance Measurement] Precision/Accuracy 인식/탐지 기술의 성능을 평가하기 위해서는 검출율과 정확도를 동시에 고려해야합니다. 이유는 다음과 같은 예를 들어서 설명할 수 있습니다.이미지에서 사람을 자동으로 찾아주는 영상 인식 기술을 개발하였다고 가정했을 때,A 기술의 검출율은 99.99%입니다.B 기술의 검출율은 50%입니다. 라고 하였을 때, 어떤 기술이 더 나은 기술인가? 라고 이야기 했을 때, 많은 사람들이 A라는 기술이 더 좋다고 판단할 것입니다.하지만 해당 내용은 오검출에 대한 내용이 빠졌기 때문에, 잘못된 판단입니다. 문제를 조금 바꿔서,A라는 기술은 이미지에 있는 사람을 99.99% 잡아내나, 이미지 1장 당 평균 10건 정도의 오검출이 발생합니다.B라는 기술은 이미지에 있는 사람들 중 50% 잡아내나, 오검출은 발생하지 않습니다. .. 더보기 [번역:: Gradient Clipping] Why you should use gradient clipping 최근 자율주행차량 논문을 읽다가 계속해서 Gradient Clipping이라는 단어가 나와서 공부를 하던 도중에 해당 블로그 글을 찾게되서Gradient Clipping이 무엇인지에 대해서 해당 블로그 글을 번역해보려고합니다. "Deep learning" 책을 읽다가 Gradient Clipping이라는 새로운 팁을 알게되었습니다. 딮러닝 연구자/엔지니어 사이에서는 이미 상식같은 내용이었지만, 어쨌든, 나는 Gradient Clipping이 무엇인지 몰랐었습니다. 문제 recurrent network나 deep neural network같은 강한 비선형 목적함수를 가지고 있을 경우에에 미분값은 매우 크거나 작아지는 경향이 있는 문제가 있습니다. 이러한 가파른 지녁은 절벽과 비슷하며, 이러한 결과는 여러개.. 더보기 [CNN] Convolution Neural Network 목차CNN의 역사Fully Connected Layer의 문제점CNN의 전체 구조Convolution & CorrelationReceptive FieldPoolingVisualizationBackpropagationReference 1. CNN의 역사 1989년 LeCun이 발표한 논문 "backpropagation applied to handwritten zip" 에서 처음으로 소개됨2003년 Behnke의 논문 "Hierachical Neural Network for image interpretation"을 통해서 일반화가 됨2003년 Simard의 논문 "Best practices for convolutional neural networks applied to visual document analy.. 더보기 [MLP::Multi Layer Perceptron] Swallow Neural Networks :: Fully Connected Layer 목차 Perceptron Multi-Layer-Perceptron(MLP)Activation Function을 가진 새로운 neuron model - [활성화 함수]Softmax Function - [소프트 맥스]Cost Function - [손실 함수]Gradient Descent Algorithm - [경사 하강법]Backpropargation - [오류-역전파] 1. Perceptron Perceptron은 rosenblatt가 고안한 Artificial Neural Network의 기본 모델입니다. 인공지능의 초기연구는 Perceptron으로 시작하였으며, 이를 이용해서 여러 조건에 대한 가중치를 조절해서 특정 결과를 출력할 수 있습니다. 임의의 가중치의 값 와 를 정합니다. 입력 에 대해서 가중.. 더보기 [Material] 비숍의 패턴인식과 머신러닝 이번 포스팅은 제가 가다듬어서 올릴 내용이 아니라, 이미 번역 퀄리티가 너무 좋기 때문에 직접적으로 링크를 답니다.Christopher Bishop - Pattern Recognition and Machine Learning 번역본입니다. 더보기 [YOLO DARKNET] 구성 및 설치, 사용방법 이번 포스팅에서는 YOLO Darknet의 구성, 설치 및 사용방법에 대해서 포스팅하겠습니다. Pre - requirement1. OpenCV 2.4.XX2. CUDA Install YOLO Darknet 페이지(https://pjreddie.com/darknet/yolo/) 를 확인하면 설치방법을 확인 할 수있습니다. Darknet의 소스는 다음 github 저장소에서 확인할 수 있습니다. 이번 포스팅에서는 최신버전의 코드(Darknet V2)가 아닌, 다음과 같은 이전버전(Darknet V1)의 코드를 사용하였습니다. Yolo Darknet의 폴더 구조는 다음과 같습니다. darknet||- cfg /|- data/|-LICENSE|-Makefile|-obj/|-README.md|-results/|-.. 더보기 이전 1 2 3 다음
