꼭꼭 씹어먹고 싶은 만성소화불량

자 이걸 파보자. 리딩 사유 : https://lhw0772.medium.com/study-da-domain-adaptation-%EC%95%8C%EC%95%84%EB%B3%B4%EA%B8%B0-%EA%B8%B0%EB%B3%B8%ED%8E%B8-4af4ab63f871 여기에서 전반적인 DA확인가능하다고 했음. 오늘은 이것 하나를 완전히 이해해보자. Abstract "Deep domain adaptation"은 대량의 레이블이 지정된 데이터 부족을 해결하기 위한 새로운 학습 기술로 부상했다. 공유 기능 하위 공간을 학습하거나 얕은 표현으로 중요한 소스 인스턴스를 재사용하는 기존 방법에 비해 deep domain adaptation transferable representations 은 딥 러닝의 파이프라인..

딥 빌리프 네트워크(Deep Belief Networks, DBN)는 여러 겹의 비지도 학습 단위인 제한된 볼츠만 머신(Restricted Boltzmann Machine, RBM)으로 구성된 심층 신경망입니다. DBN은 레이블이 없는 데이터를 사용하여 효과적으로 특징을 학습할 수 있으며, 이를 통해 높은 수준의 추상화를 달성할 수 있습니다. DBN은 데이터에서 복잡한 표현을 학습하기 위해 계층적 구조를 사용합니다. 각 계층은 데이터의 특징을 점점 더 높은 수준으로 추상화하며, 이러한 과정을 통해 모델은 데이터의 중요한 특징을 효율적으로 인코딩하고 재구성할 수 있게 됩니다. DBN의 주요 특징: 비지도 학습: DBN은 초기 학습 단계에서 레이블이 없는 데이터를 활용할 수 있습니다. 이는 대량의 레이블이 ..

더보기 2024.03.20 - [AI/Baseline] - Domain Adaptation 이란? https://www.youtube.com/watch?v=dPSSMLhFGpI 아래 개념은 내가 정리한 것으로 영상과는 차이가 있다. OOD(Out-Of-Distribution) 데이터 OOD 데이터는 학습 데이터 분포와 다른 분포에서 온 데이터를 의미합니다. 즉, 모델이 학습하는 동안 접하지 않았던, 완전히 새로운 형태의 데이터입니다. OOD 데이터는 모델의 일반화 능력을 테스트하거나, 예상치 못한 상황에 모델이 어떻게 반응하는지 평가하는 데 사용됩니다. 예를 들어, 고양이와 개를 구별하기 위해 학습된 모델에 말이나 코끼리 사진을 입력하는 경우가 OOD에 해당합니다. 초점: OOD 데이터는 모델이 학습한 ..

-- 22년 11월 24일에 제출했던 자료다. 이거한다고 노벨AI 구독해서 이미지 딸깍 거렸는데 재밌었다.. (아련) 너무 넓은 범위를 아우른 것 같은데 다시한다면 법제현황같은 것은 날리고 보다 논문에 가까운 같은 방식으로 했을 것 같다. 참조 영상 : https://www.youtube.com/watch?v=thsXGOkcGGg

GAN(Generative Adversarial Networks)과 Diffusion 모델은 모두 생성적 모델링을 위한 기법이지만, 데이터를 생성하는 메커니즘이 서로 다릅니다. GAN (Generative Adversarial Networks) 구조: GAN은 두 개의 신경망, 생성자(Generator)와 판별자(Discriminator)가 서로 경쟁하는 구조를 가집니다. 작동 방식: 생성자는 실제 데이터와 유사한 데이터를 생성하려고 시도하며, 판별자는 실제 데이터와 생성자가 만든 가짜 데이터를 구별하려고 합니다. 학습 목표: 생성자는 판별자를 속이려고 하며, 판별자는 실제와 가짜를 정확히 구별하려고 합니다. 이 과정에서 생성자는 점점 더 실제와 유사한 데이터를 생성하게 됩니다. 장점: 고품질의 결과물을..

Abstract 임의의 이미지 유도 스타일 전송 방법의 인상적인 결과에도 불구하고, 사용자가 제공하는 대상 스타일의 텍스트 설명에 따라 자연스러운 이미지를 스타일화된 이미지로 전송하기 위한 텍스트 기반 이미지 스타일화가 최근 제안되었다. 이전의 image2image 변환과 다르게 text-guided stylization progress은 보다 정밀하고 직관적인 이상적으로 스타일을 표현하는 방식을 제공한다. 그러나, 모델 간(cross-modal) i/o의 큰 불일치성 때문에 일상의 피드포워드 CNN 파이프라인 에서 text로 이미지 스티일화를 수행하는 것이 어렵다. 이 논문에서는 DiffSytle을 제공하여 2개의 diffusion 처리 구조를 통해 diffused 결과의 내용과 스타일을 조절할 생각이..

Sensitivity Specificity - Sensitivity는 민감도. 민감도를 높이면 무엇이든 참이라고 추론할 것이다. (참은 잘맞추겠지만 거짓이 많이 나올 것) - Specificity는 특이성. 특이성을 높이면 무엇이든 거짓이라고 추론할 것이다. (거짓을 잘 맞추겠지만.. ) - sensitivity와 1-Specificity 는 비례한다. ROC (Receiver Operating Characteristic) curve -FPR과 TPR을 각각 x,y축으로 놓은 그래프라고 한다. 기계 실제 -False Positive Rate : 참 (거짓) 의 비율 (분모는 실제 거짓) =Sensitivity -True Positive Rate : (참) 참 의 비율 (분모는 실제 참 ) = 1-Spec..

https://aiassociation.kr/publication/publication01.asp 1. 집단 행동 인식 테크닉에 관한 조사 /// 21 한국인공지능학회 논문집 -요약 : 그룹 행동 인식은 영상 이해에서 중요한 문제고 실질적인 application 도 많다. 많은 사람이 있는 장면을 이해하기 위해서는 개개인의 행동표현을 알 뿐만 아니라 집단의 행동또한 추론할 수 있어야 한다. 이 논문은 집단 행동 필드에 대한 최근 트렌드를 전체적으로 파악하는데 주력했다. +)그룹 행동 인식에 대해 보편적으로 사용하는 데이터셋에 대해 다룬다. 주요문장 -그래서, 대부분의 그룹행동인식 모델은 개개인의 활동은 내부적으로는 표면적으로든(내재적외재적) 분석한다. -detection work를 한 사람의 행동인식과 ..

2024.03.04 - [AI] - YOLO v1~v8까지 정리 해보자 -Yolov4에서 도입했다고 하길래 나도 한 번 알아보자. CSPDarknet53 -CSPDarknet은 Cross Stage Densenet의 Densenet부분을 Darknet으로 바꾼 것이라고 한다. 그냥 Densenet과 CSP Densenet의 구조적 차이는 아래와 같다. X0전체를 처리하지 않았기 때문에 (처리하지 않은 x0가 그대로 적용되었음), Partial DenseNet이라고 한다. 출처 : https://yonghoney.github.io/YOLOv4/ CSP란 네트워크 일부 계측에서 feature map을 두 부분으로 나누고 한 부분을 직접 다음 계층으로 전달, 나머지는 여러 계층을 통과시킨 후 이전에 분리된 부..

ChatGPT 4.0한테 물어봤는데 아직 검증은 안했다. -- 욜로는 You Only Look Once 라고 해서 Object Detction 방법론 중에 하나이다. 객체 검출 방식에는 박스영역를 다음 classification 을 진행하는 것(2-stage)과 이를 동시에 진행하는 1-stage 가 있다. (정확하게는 박스&박스내 객체 탐지 여부인 confidence와 class probability map을 병렬적으로 따로 진행함) YOLOv1 발표 연도: 2015 개발자: Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi 소속 기관: University of Washington, Allen Institute for AI, Facebook AI ..