고양이 두 잔

목차CNN에서는 합성곱 계층(Convolutional Layer)에서 활성화 함수(예: ReLU)를 적용한 후, 완전 연결층(Fully Connected Layer)에서도 활성화 함수를 한 번 더 적용한다. 이유는 완전 연결층이 수행하는 역할과 신경망의 학습 방식 때문이다. 활성화 함수는 왜 여러 번 적용될까? CNN의 각 계층에서 활성화 함수를 적용하는 이유는  각 층이 독립적으로 의미 있는 표현(Feature Representation)을 학습해야 하기 때문이다. 즉, 합성곱 계층과 완전 연결층이 담당하는 역할이 다르므로, 활성화 함수를 두 번 적용하는 것이 필수적이다.  합성곱 계층(Convolutional Layer)에서 활성화 함수 역할 합성곱 연산을 통해 CNN은 로우 레벨 특징(Low-lev..

목차 이번엔 백본(Backbone)이다. 공부하면서 좀 더 알아야 할 것 같은 개념을 나를 위해 정리하는 글이기 때문에 너무 쉬울 수도 있다. 일단 백본이 뭔지 다시는 검색하지 않기 위해 정리한다. 시작! 1. 백본(Backbone)이란? 비전 인공지능, 특히 객체 탐지(Object Detection), 이미지 분류(Image Classification),  세그멘테이션(Segmentation) 같은 작업에서 자주 듣게 되는 용어가 있다. 바로 백본(Backbone)이다.백본은 신경망(Neural Network)에서 입력 이미지가 처음 들어와서 지나가는 부분,즉, 초기 단계에서 특징(Feature)을 뽑아주는 역할을 하는 기본 구조를 의미한다.쉽게 말하면, 이미지에서 중요한 정보를 걸러내는 기초 근육 같..

목차지난 글에서는 객체 탐지의 필수 평가요소인객체 탐지(Object Detection)에서는 프리시전(Precision), 리콜(Recall), mAP 등에 대해 알아보았다. 그러나 아직 넘어야 할 선이 있는데, 그것이 바로 후처리 과정! 그 과정에서 쓰이는 알고리즘이 바로 NMS(Non-Maximum Suppression) 알고리즘이다. 선요약하고 들어가자면, 이 알고리즘은 모델이 탐지한 결과 중 겹치는 박스들 중 가장 좋은 것만 남기고 나머지를 제거하는 과정이다. 이어지는 글에서는 적당한 예시를 들어, NMS가 왜 필요하고 어떻게 동작하는지 간단히 살펴본다. 객체 탐지 모델이 주는 결과는 어떤 모습일까? 객체 탐지 모델(YOLO, Faster R-CNN 등)이 이미지를 보고 예측을 하면, 다음과 같은..

목차 지난 글에서 컴퓨터 비전과 객체 인식에 대한 입문의 입문.. 정도 되는 개념을 알아보았다. 하지만 들을땐 그런가 보다 하고 들었는데 생각할수록 각종 지표의 개념과 의미가 헷갈려서.. 글을 하나 따로 작성해 보았다. 제발 내가 이 글을 적으며 이해에 도달할 수 있기를. 서론 객체 탐지(Object Detection) 모델의 성능을 평가할 때 자주 등장하는 지표가 있다. 바로 프리시전(Precision), 리콜(Recall), mAP(Mean Average Precision), F1 Score이다.이 지표들은 이론적으로 수식만 외우면 되는 것처럼 보이지만, 실제 상황에 적용해보려고 하면 막막할 때가 많다.그래서 이번 글에서는 간단한 예제를 들어 최대한 쉽게 설명해보려고 한다. 기본 개념: TP, FP,..

목차 서론 컴퓨터 비전은 이미지나 비디오에서 의미 있는 정보를 추출하는 기술로,  자율주행, 보안, 헬스케어, 제조업, 소매업 등 다양한 분야에서 사용된다.  예를 들어, 자율주행 차량은 도로에서 차량과 보행자를 인식해 안전한 주행 경로를 결정하며,  보안 시스템은 침입자를 탐지하거나 얼굴 인식을 통해 출입 통제를 할 수 있다.  헬스케어 분야에서는 의료 영상을 분석해 암과 같은 질병을 조기 진단할 수 있다.  이러한 성과는 컴퓨터 비전 기술 중 객체 인식의 발전에 크게 의존한다.객체 인식은 컴퓨터 비전의 중요한 하위 분야로,  이미지 내 객체가 무엇인지(Classification)와 그 위치(Bounding Box)를 동시에 인식하는 기술이다.  이 기술은 이미지의 정보 추출 속도를 높이고 정확도를 개..

목차 서론 트랜스포머는 2017년 구글 브레인 연구팀이 발표한 "Attention Is All You Need" 논문에서 처음 소개된 혁신적인 딥러닝 모델이다.  기존의 순환 신경망(RNN)과 합성곱 신경망(CNN)의 한계를 극복하며 등장한 트랜스포머는  자연어 처리와 컴퓨터 비전 등 다양한 분야에서 놀라운 성능을 보여주고 있다.  특히 어텐션 메커니즘을 활용한 트랜스포머는 데이터의 연관성을 효율적으로 학습하며,  병렬 처리를 통해 학습 속도를 대폭 향상했다.  이 모델은 이후 BERT, GPT 등 다양한 파생 모델의 기초가 되었으며, 현대 인공지능 기술의 핵심으로 자리 잡았다.  본 글에서는 트랜스포머의 구조와 작동 원리를 살펴보고, 기존 모델과의 차별점, 장점, 그리고 한계를 간결히 정리해 본다.  ..

목차 컴퓨터 비전 분야에서 합성곱 신경망(CNN, Convolutional Neural Network)은  이미지 인식과 분류 작업의 핵심 기술로 자리 잡아 왔다.  하지만 CNN에도 한계가 존재하며, 이를 극복하기 위해 어텐션 기법과 비전 트랜스포머(ViT) 모델이 등장했다.  어텐션 기법은 비전 트랜스포머의 핵심 메커니즘으로, 두 기술은 밀접하게 연결되어 있다.  이 글에서는 CNN의 한계, 어텐션 기법의 개념과 역할, 그리고 비전 트랜스포머 모델의 특징을 차례로 설명한다. CNN의 기본 원리와 한계 CNN의 기본 원리 CNN은 이미지를 처리하기 위해 합성곱 연산을 사용하는 신경망이다.  합성곱 연산은 작은 필터를 사용해 이미지의 특정 특징(예: 가장자리, 텍스처)을 추출한다.  CNN은 계층적으로 ..

목차 지난 글에서는 깊은 K-평균 알고리즘을 이용한 비지도 학습 코드에 대해 뜯어보았다. [PyTorch]비지도 학습 - 깊은 K-평균 알고리즘 (오토인코더 + K-평균 알고리즘) [PyTorch]비지도 학습 - 깊은 K-평균 알고리즘 (오토인코더 + K-평균 알고리즘)목차지난 글에서는 Fashion MNIST를 사용한 Vanilla GAN 코드에 대해 살펴보았다. [PyTorch]생성적 적대 신경망(GANGenerative Adversarial Network) [PyTorch]생성적 적대 신경망(GANGenerative Adversarial Network)목차지난gnidinger.tistory.com이번 글에서는 설명 가능한 AI와 CAM에 대해 알아보고, 코드를 살펴보도록 하겠다. 지난 글과 마찬가지..

목차지난 글에서는 Fashion MNIST를 사용한 Vanilla GAN 코드에 대해 살펴보았다. [PyTorch]생성적 적대 신경망(GANGenerative Adversarial Network) [PyTorch]생성적 적대 신경망(GANGenerative Adversarial Network)목차지난 글에서는 MNIST데이터셋을 이용한 오토인코더 모델 코드를 분석해 보았다. [PyTorch]오토인코더(Autoencoder) [PyTorch]오토인코더(Autoencoder)목차 지난 글에서는 전이 학습을 구현하고, RNN의gnidinger.tistory.com 이번 글에서는 오토인코더와 K-평균 알고리즘을 결합한 깊은 K-평균 알고리즘에 대해 알아보려 한다. 비지도학습도 K-평균 알고리즘도 처음인지라, 먼..

목차지난 글에서는 MNIST데이터셋을 이용한 오토인코더 모델 코드를 분석해 보았다. [PyTorch]오토인코더(Autoencoder) [PyTorch]오토인코더(Autoencoder)목차 지난 글에서는 전이 학습을 구현하고, RNN의 발전에 대해 가볍게 정리했다. [PyTorch]전이 학습(Transfer Learning) [PyTorch]전이 학습(Transfer Learning)목차 전이 학습(Transfer Learning) 전이 학습(Transfgnidinger.tistory.com 이번 글에서는 Fashion MNIST를 사용한 Vanilla GAN 코드에 대해 살펴본다. 언제 적 GAN이냐고 할지 모르지만, 나는 오늘이 초면이다. 가능한 샅샅이 살펴보겠다. 선 요약 이 글에서 다룰 코드는 다음..