교육/서울 ICT 이노베이션 고오급 시각과정
-
Day16교육/서울 ICT 이노베이션 고오급 시각과정 2022. 9. 5. 10:03
Separable Convolution Pointwise Convolution 기존 Conv에서 1*1필터 사용 각 채널의 단순한 weighted sum Depthwise Convolution 각 채널별로 한번의 Convolution만 진행 입력 채널=출력 채널 Depthwise+Pointwise=Separable Convolution 기존의 Convolution의 연산량과 파라미터를 줄이면서 유사한 성능 Inverted Bottleneck 채널 확장 -> conv -> 채널 축소 형태 SE(Squeeze Excitation) Net 채널별 가중치를 학습하는 Dense Layer 추가(Dropout가 비슷)
-
Day15교육/서울 ICT 이노베이션 고오급 시각과정 2022. 9. 4. 13:15
머신러닝의 주요작업은 학습 알고리즘을 선택해서 어떤 데이터에 훈련시키는 것 배치 학습에서의 머신러닝 입력 x에 대해 y를 출력하는 시스템 f(x)=y를 가정 f는 실체를 알 수 없으므로 θ에 의해 정의되는 모델로 간주 f는 알 수 없지만 수 많은 사례(x,y)를 통해 θ를 추정 만약 실제 시스템을 완벽히 복원했다면 f(x)-y=0 즉, 모델링된 시스템의 출력값 f(x)=ŷ가 실제 y에 가장 가까워지도록 하는 θ를 찾음 여기서 x,y는 상수(주어진 샘플)이고 θ는 우리가 찾고자 하는 값(모델에 대한 파라미터) 주어진 y에 f(x)가 최대한 가까워지는 과정이 훈련, 학습, 피팅 피팅이 잘 이루어진 정도를 에러를 통해 추정 MSE(θ)=∑(f(x)-y)^2/N (에러 계산 방법은 다양함 ex)cross ent..
-
day14교육/서울 ICT 이노베이션 고오급 시각과정 2021. 9. 1. 12:29
threshold찾는 방법 1. OTZU 이진화한 픽셀들을 각각 모아서 표준 편차를 내고 표준편차의 합이 최소가 되는 threshold찾는 방법 모든 threshold를 간격을 좁혀가면서 돌려봄 2. GMM(gaussian mixture model) 영상의 밝기값의 분포가 가우시안 분포의 합이라고 생각 가우시안 평균과 시그마를 랜덤으로 세팅+사우시안 모델을 몇개로 세팅할 것인지 가정(이진화하면 2개가 확실하니까 2개의 가우시안 분포로 히스토그램이 이루어졌다는 게 확실) 후 믹스처 모델을 반복적인 방법으로 학습(EM알고리즘(MeanShift처럼 돌아가는데 특정 threshold영역대신 가우시안 분포가 움직인다고 생각하면 됨) 더보기 MeanShift? 특정 threshold 영역 내의 모든 점들의 평균을 ..
-
-
Day12교육/서울 ICT 이노베이션 고오급 시각과정 2021. 7. 2. 17:49
강분류기(Strong Classifier) 비교적 정확한 분류기 최종적으로 설계해야하는 분류기 약분류기(weak Classifier) 비교적 부정확한 분류기 이진 분류의 경우 일반적으로 정확도는 무조건 50%이상 앙상블 이론 약분류기를 여러 개 조합한 것 weighted vote방법을 사용해서 정확도가 높은건 가중치를 높게 쳐줘서 선형적으로 만들어줌 ex)decision tree, random forest, AdaBoost Random Forest decision tree의 샘플 n개가 있으면 이 중에서 랜덤으로 n-d개 골라서 독립적으로 decision tree를 여러개 만들어서 합치는 것 각각의 decision tree마다 성능을 측정할 수 있으므로 random forest는 특징별로 중요도가 나오게..
-
Day11교육/서울 ICT 이노베이션 고오급 시각과정 2021. 6. 30. 13:59
void qrcode_detector() { Mat src = imread("images/qrcode.jpg"); Mat gray; cvtColor(src, gray, COLOR_BGR2GRAY); Mat bin; //이미지 이진화 threshold(gray, bin, 128, 255, THRESH_BINARY); //Canny(gray, bin, 50, 200);혹시나 너무 어둡거나 그늘진데서 썼을때 캐니를 쓰면 됨 imshow("bin", bin); waitKey(0); //vector : 리스트의 리스트의 포인터 //하나의 외곽선 : 포인터들의 집합->리스트의 포인터 //외곽선은 여러개 존재->리스트의 리스트의 포인터 vector contours; vector hierarchy;//칸투어들의 구조화..
-
Day10교육/서울 ICT 이노베이션 고오급 시각과정 2021. 6. 17. 12:34
왜곡보정 렌즈 왜곡 : 렌즈의 품질이 좋지 않아서 발생 체스보드를 이용해서 왜곡을 보정 체스보드를 다양한 위치, 각도로 촬영하고 촬영된 체스보드 영상을 보정알고리즘에 넣어 보정하는 방법 위의 식에서 k,r,p같은 파라미터를 구해야함 파라미터를 구하기 위해 여러 샘플 체스보드의 x,y좌표를 넣어서 연립방정식을 푸는 것 이 때 체스보드의 위치를 알려주지는 않고 체스보드의 좌표들이 하나의 평면위에 있다는 사실+체스보드 칸 간격만을 알려줌 //opencv내부에 체스보드 샘플이미지가 있음 left01~left14, right0~right14 두 개 다 쓰면 3d //10이 없으니까 14를 10으로 변경해서 01~13까지로 만들어서 사용할 것 #include #include using namespace std; u..
-
Day9교육/서울 ICT 이노베이션 고오급 시각과정 2021. 6. 16. 14:46
에지의 검출과 응용 1. 에지 검출 2. 마스크 기반 에지 검출 #OpenCV는 소벨 마스크를 이용하여 영상을 미분하는 Sobel() 함수 제공 #3*3 소벨 마스크 또는 확장된 형태의 큰 마스크를 이용하여 영상 미분 void Sobel(src, dst, ddepth, dx, dy, ksize, scale, delta, borderType); /* src : 입력 영상 dst : 출력 영상 ddepth : 영상 타입 dx : x방향 미분 차수, 주로 1을 많이 사용 dy : y방향 미분 차수, 주로 1을 많이 사용 ksize : 소벨 커널의 크기 scale : 필터링 연산 후 추가적으로 곱할 값, 에지가 너무 강하거나 약한 거 같으면 이걸 변경하면 됨 delta : 필터링 연산 후 추가적으로 더할 값, ..