yusukaid's IT note

논문: https://arxiv.org/pdf/1506.02640.pdf Abstract 우리는 기존의 Object Detection과 다른 YOLO라는 모델을 제안합니다. 전체 이미지에 대해서 bounding boxes 와 class probabilities를 한번에 작업합니다. 중간에 추가 개입이 필요 없는 end-to-end 로직이 사용됩니다. 초당 45frame의 속도를 가지고 있으며, real-time에 굉장히 가깝습니다. 성능이 조금 떨어져도 초당 155frame까지 속도를 올릴 수 있습니다. YOLO는 state-of-the-art 모델과 비교했을 때 localization의 에러가 거의 없습니다. DPM과 R-CNN과 비교했을 때 자연 이미지와 artwork에서도 더욱 범용적인 면을 보입니..

구현할 논문: https://arxiv.org/pdf/1506.02640v1.pdf 프로젝트 파일 구조 train.py: 모델 class를 인스턴스로 선언하고 For-loop를 돌면서 gradient descent를 수행하면서 파라미터를 업데이트하는 로직 test.py/evaluate.py: training된 파라미터를 불러와서 evaluation이나 test/inference를 진행하는 로직 model.py: Keras Subclassing 형태의 모델 구조 class 정의 dataset.py: 데이터 전처리 및 batch 단위로 묶는 로직 utils.py: 딥러닝 메인 로직 외에 유틸리티성 기능들을 모아 놓은 로직 loss.py: 모델의 Loss Function을 정의

카메라에 비춰진 사물의 영역을 표시하고 인식된 사물이 무엇인가에 대해 알려주는 모델이 바로 YOLO이며, You Only Look Once의 약자이다. 현재 YOLO 모델은 버전이 5까지 나와있지만, 학술적으로는 4까지만 인정이 된다고 한다.. [Object Detection] 객체 검출은 영상처리 분야에서 기본적으로 많이 쓰이는 분야이다. 얼굴 인식, 음성 인식 같은 분야에서 자주 보인다. 개념적으로는 여러 사물을 '어떤 것이다'라고 분류하는 (Multi-Labeled) Classification과 그 사물이 어디 있는지 박스를 통해 위치 정보를 나타내는 localization 문제를 해결하는 부분이다. 원래는 CNN을 통해 위와 같은 문제를 해결할 수 있으나, 하나의 물체를 분류하고 다시 전체 이미지..

보호되어 있는 글입니다.

1. 타입과 인스턴스 타입: 추상화된 것 인스턴스: 실체화한 구체적인 실체 속성: 인스턴스가 가지는 특징 행위: 어떤 인스턴스가 스스로 할 수 있는 작업 또는 연산 2. 클래스와 객체 C++은 클래스라는 구문을 사용해 타입을 만들고, 클래스를 기반으로 객체(인스턴스)를 만듬 데이터 멤버: 속성을 표현하기 위한 변수 멤버 함수: 객체가 행할 수 있는 어떤 행위 3. 객체 지향과 클래스 클래스 정의: 속성과 행위 선언 데이터 멤버 선언 멤버 함수 선언 접근 제한자 (기본적으로 private) 멤버 함수 정의: 행위 정의 애플리케이션: 객체를 인스턴스화하고 사용 객체 인스턴스화 객체에 연산 적용 멤버 선택 4. 생성자 객체를 생성하는 특별한 멤버 함수이며, 별도의 괄호가 없어도 호출됨 리턴값이 없음 이름이 클..

1. 함수란? 복잡한 문제를 다시 작은 문제로 나누는, 자주 사용되는 개발 방법론 (다른 프로그래밍 언어에서는 메소드 또는 프로시저라고 부르기도 함) 2. 함수의 장점 분할 처리 오류 확인(디버그) 재사용 함수 라이브러리: 잘 쓰여진 함수들이 보관되어 있는 곳 3. 함수의 기본 사용법 함수 선언: 함수의 헤더와 세미콜론만 조합된 구문 -> 함수의 호출 방법을 나타낼 때 사용 자료형 함수_이름(매개변수_리스트); 함수 정의: 함수를 만드는 것 리턴_자료형 함수_이름(매개변수 리스트){ 본문 } 함수 호출: 함수의 내용을 실행하기 위해서 함수를 호출하는 것 (후위 표현식) argument와 parameter parameter: 함수 정의에 있는 변수 선언 argument: 함수를 호출할 때 매개변수를 초기화..