KT 에이블스쿨 AI트랙 2기 9주차(9.19-9.23) 🖼

 

시각지능 딥러닝 🖼

 

이번주에는 시각지능 딥러닝에 대해 배우는 시간이었다. 

저번주에 배운 딥러닝은 기존의 연결된 것으로부터 기존에 없던 새로운 feature 추출하고 생성한다면

 시각지능 딥러닝은 위치정보를 보존하여 유용한 feature을 추출한 것이라고 생각하면 된다고 하셨다. 

간단하게 CNN 작동원리와 stride,zero padding에 대해 배우고 난 후에 YOLO를 배웠다.

• YOLO = Classification + Localization(bounding box를 그려줌 ) 
• Class Classification : 어떤 클래스인지 알려주는 것이 필요
  • Label 종류 → One-hot Encoding 필요
    1. Integer Encoding
    2. Cat(0.83) , Dog(0.02) ,Human(0.05)….
• Bounding Box : 하나의 Object가 포함된 최고 크기 Box | 구성요소 ( x,y(좌표), w,h (크기) ) → Regression
• Confidence Score : Object가 Bounding Box안에 있는지, 이에 대한 확신의 정도( 0 ~ 1 )
  1. Ground-Truth Bounding Box의 경우 = 1
  2. Predicted Bounding Box 의 경우 : 1에 가까울수록 박스 안에 Object가 있을 확률이 🔼 , 0에 가까울수록 Object가 있을 확률 🔽
• Segmentation : Object Detection 보다 발전된 형태로 pixel 형태로 , pixel 단위로 Detection
  1. Semantic Segmentation : 같은 class의 Object는 같은 영역/색으로 표현
  2. Instance Segmentation : 같은 class의 Object여도 서로 다른 영역/색으로 표현

Precision	Recall
TP / (TP + FP )	TP / (TP + FN )
모델이 Object라 예측한 것 중 실제 Object의 비율	실제 Object 중 모델이 예측하여 맞춘 Object의 비율

=> Precision와 Recall은 Trade-off관계

• Precision-Recall Curve : Precision과 Recall을 모두 감안한 지표
• AP : Precision과 Recall 그래프 아래의 면적
• mAP: 각 클래스 별 AP를 합산하여 평균을 낸 것 (mAP ↑ good )

 

---

 

시각지능 딥러닝🕺