본문 바로가기

cnn9

[딥러닝] R-CNN 논문 리뷰 R-CNN 물체인식(Object Detection) 알고리즘은 타깃으로 하고자 하는 객체의 위치에 Bounding Box를 그려줘야 하고, Classification을 동시에 해주어야 하기 때문에 일반 CNN보다는 훨씬 복잡한 구조입니다. R-CNN은 첫 2-stage detector로, Object Detection 분야에서 최초로 CNN을 적용시켰습니다. 위의 그림은 R-CNN의 구조입니다. 위 구조를 설명하자면 이미지를 넣는다. 이미지가 있을만한 영역 2000개 추출해내고, 이미지를 모두 동일한 사이즈로 resize 해준다. CNN모델에 이미지를 하나씩 집어넣는다. 각각 이미지마다 분류를 한다. 2-stage detector는 Region Proposal(물체의 Bounding Box를 찾는 일),.. 2022. 3. 23.
[딥러닝] 미세 조정(Fine Tuning) 전이 학습(Transfer Learning) 전이 학습은 사전에 학습이 된 모델의 가중치를 가져오는 것입니다. 우리가 동물을 분류하는 모델을 만든다고 가정하였을 시, 그 여러 가지 데이터를 수집하고 만드는 데는 엄청난 시간과 비용이 들것입니다. 하지만 이미 동물을 분류하는데 특출난 가중치만 가지고 있다면 어느 동물의 사진을 넣든 그 동물을 분류하는데 최적화될 것입니다. 우리가 만약 개와 고양이 두 마리의 동물을 분류한다고 가정하면, 모델의 ImageNet Pretrained을 커스텀 모델로 활용하고, 마지막 Classification Layer의 분류가 1000개이기 때문에 이것만 개와 고양이 2개의 Layer로 커스터마이징 해주면 될 것입니다. 미세조정(Fine Tuning) 미세 조정(Fine Tun.. 2022. 3. 20.
[딥러닝] EfficientNet 모델의 개요 및 특징 개요 네트워크의 깊이(Depth), 필터 수(Width), 이미지 Resolution 크기를 최적으로 조합하여 모델 성능 극대화하는 것입니다. 기존에는 이 세 가지를 수동으로 조절하였지만, compound scaling방법을 연구합니다. 깊이, 필터 수, 이미지 크기가 일정한 관계가 있다는 것을 알아내고, 이 관계를 수식으로 만듭니다. 위의 그림을 보면, 상대적으로 타 모델 대비 높은 정확도와 적은 파라미터, 연산 수를 나타냅니다. 필터 수, 깊이를 일정 수준 이상 늘려도 성능 향상은 미비하지만, 이미지 크기는 어느 정도 약간씩 성능 향상이 지속되고 있습니다. 이미지 해상도가 높을 경우 더 큰 Receptive field가 더 많은 픽셀을 포함하는 비슷한 피처들을 잘 캡처할 수 있습니다. 그리고 더 많은.. 2022. 3. 20.
[딥러닝] ResNet 모델의 개요 및 특징 개요 앞서 소개한 VGG, AlexNet에서 층이 깊어질수록 모델이 좋아진다는 것이 증명되었습니다. 하지만 무작정 계속 늘리면 늘릴수록 좋을까요?? 그렇지 만은 않습니다. 위 그림을 보면 56층을 갖는 구조가 20층을 갖는 모델보다 더 에러가 많이 나왔습니다. ResNet저자들은 깊이를 늘릴 방법을 연구했고, input을 x라고 하고, 최적 함수를 H(x)라고 했을 때 H(x) = x 가 나오는 Convolution Layer가 identity 역할을 하게 생성하면 층을 계속 늘려도 성능이 저하되지는 않을 것이라고 추측하였습니다. 위의 그림을 보면 Identity block을 이렇게 구성하면 될 것 같은데 ReLU와 같은 비선형 Layer로 인하여 identity mapping이 어렵습니다. 그래서 나온.. 2022. 3. 20.

티스토리툴바