기술사패스

Faster R-CNN장점:높은 검출 정확도: Faster R-CNN은 높은 정확도를 보이며, 일반적으로 다른 딥러닝 기반의 객체 검출 알고리즘보다 더 높은 정확도를 보입니다.빠른 속도: Faster R-CNN은 R-CNN, SPPnet, Fast R-CNN 등의 알고리즘과는 달리, Region Proposal Network(RPN)를 사용하여 빠르고 정확한 검출이 가능합니다.End-to-end 학습: Faster R-CNN은 end-to-end 학습 방식을 사용하며, 이를 통해 좀 더 간편하고 빠르게 모델을 학습할 수 있습니다.다양한 객체 검출: Faster R-CNN은 다양한 크기와 형태의 객체를 검출할 수 있으며, 이를 위해 다양한 크기의 anchor box를 사용합니다.단점:복잡한 구조: Fast..

장점 더 많은 정보를 포함할 수 있습니다. 임베딩 차원이 커질수록 입력 데이터의 다양한 특징들을 더 잘 포착할 수 있습니다. 더 정교한 모델링이 가능합니다. 더 복잡한 함수를 모델링할 수 있습니다. 단점 과적합(overfitting)이 발생할 가능성이 높습니다. 임베딩 차원이 커질수록 모델의 복잡도가 증가하므로, 학습 데이터에 대한 성능이 높아지지만 테스트 데이터에 대한 성능이 낮아질 수 있습니다. 연산 비용이 증가합니다. 임베딩 차원이 커질수록 모델의 파라미터 개수가 증가하므로, 학습 및 추론 시간이 더 오래 걸릴 수 있습니다.

비지도학습(Unsupervised Learning) 의 한 종류로 데이터의 차원 축소(Dimensionality Reduction) ,잡음 제거(Denoising) 등에 사용되는 인공신경망 모델입니다 입력 데이터를 압축하는 인코더(Encoder)와 압축된 데이터를 복원하는 디코더(Decoder)로 구성되어 있는데 인코더는 입력 데이터를 저차원의 잠재 표현(Latent Representation)으로 변환하고, 디코더는 잠재 표현을 다시 원래의 차원으로 복원합니다. 인코더와 디코더는 각각 다른 인공신경망으로 구성되며, 이 네트워크는 학습을 통해 입력 데이터의 특징을 추출하고 압축하는 방법을 스스로 학습합니다. 이미지나 영상 데이터 처리에서 많이 활용되고 생성 모델(Generative Model)로도 사용될..

특징 -RPN (Region Proposal Network )+ Fast R-CNN -Region Proposal을 수행하는 Region Proposal Network를 만들어 ROI 생성을 네트워크에서 수행하여 속도를 향상시 -Two-stage Detection 방식 -객체의 위치를 추론할 때, Anchor Boxes를 사용하여 박스를 예측 -Non-Maximum Suppression(NMS) 기법을 사용하여 박스를 결합 -대규모 데이터셋에서 높은 정확도를 보인다. 처리 속도가 YOLOv7에 비해 느리다 RPN (Region Proposal Network ) -Object Bound 와 Objectness Scores를 동시에 예측하는 Fully Concolutional Network End to En..

DC-GAN은 GAN의 구조에 CNN(Convolutional Neural Network)을 추가하여 이미지 생성을 안정적으로 할수 있는 모델 convolutional, batch normalization, leakyReLU 등의 레이어를 가지고 있음 Generator와 Discriminator 두 개의 네트워크로 이루어져 있으며, Generator는 무작위 노이즈 벡터를 입력으로 받아 실제와 같은 이미지를 생성하고, Discriminator는 생성된 이미지와 실제 이미지를 입력으로 받아 이 둘을 구분 DC-GAN의 학습 방법 1.데이터셋 준비 Generator와 Discriminator 네트워크 구성 Generator와 Discriminator 모두 CNN으로 구성. 2.손실 함수 정의: Generat..

DCGAN (Deep Convolutional Generative Adversarial Network) 딥러닝 모델인 CNN을 사용하여 생성자와 판별자를 구성 생성자는 무작위 노이즈 벡터를 입력으로 받아 진짜같은 이미지를 생성하고, 판별자는 생성된 이미지와 실제 이미지를 입력으로 받아 각각을 구분하도록 훈련됨 생성자는 판별자의 결과를 최대화하고, 판별자는 생성자와 실제 이미지를 구분하도록 훈련되며, 이 과정에서 생성자는 실제 이미지와 비슷한 이미지를 생성하게 됨 DCGAN은 고해상도 이미지를 생성하며, 이미지 내의 객체나 패턴 등의 특징을 잘 포착함. 이미지 간의 변환, 예를 들면 블랙앤화이트 이미지에서 컬러 이미지로 변환하는 작업에서도 사용됨 논문 https://arxiv.org/abs/1511.064..

영상 처리에서 사용되는 두 가지 주요 도메인 1) 주파수 도메인 2) 공간도메인 주파수 도메인 이미지를 주파수 변환하여 이미지를 구성하는 주파수 성분을 조작함으로써 이미지를 처리합니다. 주파수 도메인에서는 이미지를 복소수 행렬 형태로 표현하며, 이 복소수 행렬은 이미지를 구성하는 주파수 성분의 진폭과 위상을 나타냅니다. 이를 통해 이미지의 고주파 노이즈를 제거하거나 낮은 주파수 성분을 강조하는 등의 처리가 가능합니다. 주파수 도메인은 공간 도메인과 달리 이미지의 빈도 정보를 바탕으로 이미지를 처리하는 것이 가능합니다. 이는 이미지의 특성을 보다 정확하게 파악하고, 이미지 처리 결과의 품질을 높이는 데에 도움이 됩니다. 다만 공간도메인에 비해 처리속도가 느립니다. 주파수 도메인에서 이미지 처리를 위한 알고..

OpenCV를 사용하여 마우스로 그린 도현을 표시하고 해당 도형을 그릴때 클린한 점의 좌표를 리턴함 기본적인 코드만 올려둠 background 를 원하는 이미지로 바꿔서 마스크 영역을 지정,확일 할때 사용할수 있음 cv2.circle(): 지정한 좌표에 원 그림 cv2.fillPoly(): 배열을 인자로 받아 다각형을 그림 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 import numpy as np import cv2 window_name = 'Mask Test' # 윈도우 창의 이름을 지정 background = np.ze..

OpenCV Template Matching 원본 이미지 내에서 템플릿 이미지와 가장 유사한 이미지를 식별 템플릿 이미지를 원본 이미지 위에 올리고 각 위치에서 유사성 메트릭을 계산하며. 유사성 메트릭은 템플릿이 원본 이미지의 해당 영역과 얼마나 잘 일치하는지 측정한다 템플릿 매칭을 위한 방법 (TM_CCOFF_NORMED 을 주로 사용함) -cv2.TM_SQDIFF: 원본 이미지의 영역과 템플릿 간의 차이 제곱합을 유사성 메트릭으로 사용함. 점수가 작을수록 더 적합한것 -cv2.TM_SQDIFF_NORMED: TM_SQDIFF 와 유사함 결과는 0 ~ 1 범위로 정규화됨, 점수가 0인경우 완벽하게 매칭된것 -cv2.TM_CCORR: 템플릿과 원본 이미지의 영역 사이의 상관 계수를 유사성 메트릭으로 사용..