WakaraNai

RPN이란 이미지 상의 수많은 anchor boxes에 대해서 lightweight binary classifier를 실행하고 object / no-object score를 산출한다 높은 objectness score를 가진 (positive) anchors는 두 번째 단계(Proposal Classification)을 거쳐서 분류된다 종종 positive anchor는 물체를 완벽히 커버하진 못 한다 그래서 RPN는 회귀를 통해 정제한다 위치와 크기에 대한 delta값이 이와 관련되었다 이를 통해 물체에 정확한 경계를 치기 위해 anchor를 이동하고 그 크기를 조정할 수 있게 되었다 +) Faster R-CNN 안에 사용되었음 Anchor란? 파란색은 ground truth (실제 사진에 그려진 bo..

R-CNN Fast R-CNN Fast Region-based Convolutional Network for Object Detection Architecture 한 이미지의 전체 영역과 RoI(Regions of Interest)를 입력으로 받아서 fully coonvolutional network에 통과시킨다 각 RoI는 고정된 크기의 feature map으로 max-pooling된다 이는 RoI pooling layer에서 feature map으로부터 고정된 길이의 feature vector를 산출한다 FC(fully connected layer)에 의해 feature vector로 맵핑되고 두 개의 출력 레이러를 만드는데 하나는 softmax 확률이고 다른 하나는 class 별 bounding-b..

import import numpy as np matrix 생성 : np.array([]) , np.zeros(()), np.arange(strat, stop) one_dimensional_array = np.array([1.2, 2.4, 3.5, 4.7, 6.1, 7.2, 8.3, 9.5]) print(one_dimensional_array) #[1.2 2.4 3.5 4.7 6.1 7.2 8.3 9.5] two_dimensional_array = np.array([[6, 5], [11, 7], [4, 8]]) print(two_dimensional_array) #[[ 6 5] # [11 7] # [ 4 8]] ####################### np.zeros(5) #array([ 0., 0.,..

https://wandb.ai/home home Weights & Biases, developer tools for machine learning wandb.ai 위의 홈페이지에 가입하기 예제 코드 URL https://colab.research.google.com/github/wandb/examples/blob/master/colabs/keras/Simple_Keras_Integration.ipynb how to integrate Weights & Biases with your Keras 1. config에 hyperparameter와 metadata를 저장한다 2. WandCallback을 model.fit에 적어준다. 그럼 자동적으로 loss, CPU/GPU utilization을 추적한다 3. w..

논문 주소 Mish: A Self Regularized Non-Monotonic Activation Function https://arxiv.org/abs/1908.08681 Mish: A Self Regularized Non-Monotonic Activation Function We propose $\textit{Mish}$, a novel self-regularized non-monotonic activation function which can be mathematically defined as: $f(x)=x\tanh(softplus(x))$. As activation functions play a crucial role in the performance and training dynamics i..

스마트농업 인공지능 경진대회 대회에서 제공한 코드는 pytorch 기반의 effiecientNet으로 구현한 것이었다. 하지만 나는 pytorch에 대해 일절 모르기에 tensorflow를 이용했다 토마토 병해충 이미지 분류 예선도 통과 못했다. 첫 대회인 만큼 데이터를 불러오고 submission 파일 생성에 있어 좋은 경험이었다 tensorflow로 efficientNet 구현 방법, Nadam optimizer에 대해서 좀 더 알아봐야겠다 Resnet152V2를 이용하여 구현 Google Drive의 데이터를 Colab으로 가져오기 from google.colab import drive drive.mount('/content/gdrive/') import os import tarfile with t..

데이터 불러오기 데이터 살펴보기 target 변수와 column 간 관계 찾아보기 (EDA) 숫자가 아닌 column은 groupby().mean()을 이용 위에서는 그래프로, 여기서는 숫자로 상관관계를 정확히 확인해보기 Feature Engineering null/NaN 값 처리 문자로 된 column을 숫자로 바꿔서 feature에 추가해보기 모델 생성 + Cross-Validation(K-Fold) 적용 예측 + 제출용 파일 생성