DeepLearning28 RANSAC(Random Sample Consensus) * RANSAC : 무작위 하게 * SAMPLE : 데이터 샘플을 뽑아서 모델을 추정하고 * CONSENSUS : 모델에 대한 데이터의 합의도를 구해 정확한 모델임을 평가 * RANSAC을 하는 이유? * Inlier 데이터 : 기하학적으로나 통계적으로 올바른 데이터 * Outlier 데이터 - 기하학적으로나 통계적으로 잘못된 데이터 - 단순히 데이터만 봐서는 inlier/outlier 구분하기 어려움 - model parameter를 정확하게 계산하기 위해서는 Inlier 데이터만 사용해야함 -> Inlier 데이터로만 model parameter 계산하면 좋은 모델 파라미터가 나온다 -> Outlier 데이터를 포함해서 model parameter를 계산하면 잘못된 모델 파라미터가 나옴 * Outli.. 2022. 2. 20. Unsupervised, Semi-supervised, weakly supervised self-supervised learning * unsupervised : input 데이터만 있고 label이 없다 - semi-supervised : 일부 데이터만 label이 있다 - weakly-supervised : 예측을 위해 여러 종류의 label이필요한데 일부만 있다 - self-supervised : X에 z의 변형을 취해 X_z를 만들고 X_z로부터 X 혹은 z를 예측한다 2022. 2. 20. Super Pixel * 이미지 전처리 작업에서 사용하는 기법 중 하나로 pixel들을 색 등의 저레벨 정보를 바탕으로 비슷한 것끼리 묶어서 '커다란 pixel'을 만드는 작업 * 장점 - 이미지를 구성하는 요소를 크게 줄이는 효과 - 사람의 인지 방법과 비슷한 접근법 : 인지과학 분야에 따르면 사람은 이미지를 pixel 단위로 인식하지 않으며, 근처의 같은 의미를 가지는 덩어리들을 하나로 묶어서 인식하여 전체를 파악. * 단점 - 요소들 간에 기하학적인 관계가 매우 복잡하게됨. 기존 이미지에서 모든 pixel이 4개의 pixel을 이웃 pixel로 가지 는 것에 비해 superpixel들 간의 이웃간계는 매우 복잡하고 심지어 연산 전에 예측할 수 없다. - 연산 시간 : 이미지 전처리 기법이기 때문에 많은 시간과 메모리르 .. 2022. 2. 20. Fine/Coarse Grained classification * course : 결이 거친, 조잡한 * grain : 곡식을 낱알로 분류하는 작업 * coarse grained classification - cifar100, cifar1000, MNIST 등의 데이터셋을 이용하여 classificaton하는 것 * fine grained classification - 더 세밀하게 classification 하는 것 (ex. "개"라는 품종 안에서 더 세세하게 "개의 품종"을 classification하는 것 2022. 2. 20. 이전 1 ··· 3 4 5 6 7 다음