딥러닝 프레임워크/이미지 처리4

• 

  CNN_고급활용(2) 1. 분할(Segmentation) 이미지 분할(Image Segmentation)은 이미지 내에서 각 픽셀이 어떤 객체 또는 배경에 속하는지를 식별하는 과정이다. 분할은 크게 의미 분할(Semantic Segmentation), 사례 분할(Instance Segmentation), 총괄 분할(Panoptic Segmentation)의 세 가지 주요 유형으로 나뉜다. 1-1. 의미 분할(Semantic Segmentation) 의미 분할은 이미지 내의 모든 픽셀을 특정 클래스(예: 사람, 자동차, 나무 등)에 할당하는 과정이다. 이 과정에서 이미지 내 동일한 클래스에 속하는 모든 객체는 같은 레이블로 표시된다. 다시 말해, 개별 객체를 구분하지 않고, 모든 객체가 동일한 클래스로 그룹화된다. 예시) 도로.. 딥러닝 프레임워크/이미지 처리 2024. 4. 12.

• 

  CNN_고급활용 1. CV : Computer Vision 컴퓨터 비전은 디지털 이미지나 비디오를 분석하여 사람처럼 이해하려는 기술 분야이다. 1) 분류(Classification) 이미지 전체를 보고 그 이미지가 어떤 범주(클래스)에 속하는지 결정한다. 예를 들어, 이미지에 고양이가 있는지, 개가 있는지 분류할 수 있다. 2) 검출(Detection) 이미지 내에서 특정 객체의 존재와 그 위치를 찾는다. 예를 들어, 이미지 내에서 고양이가 어디에 있는지를 찾아내는 것이다. 3) 분할(Segmentation) 이미지를 여러 부분으로 나누어 각 부분이 어떤 객체에 속하는지를 결정한다. 예를 들어, 이미지의 각 픽셀이 고양이에 속하는지, 배경에 속하는지 분류한다. 4) 추적(Tracking) 비디오 내에서 시간에 따라 객체.. 딥러닝 프레임워크/이미지 처리 2024. 4. 8.

• CNN_전이학습 1. 전이 학습(Transfer Learning) 1-1. 전이 학습(Transfer Learning)의 개요 전이 학습은 한 분야에서 얻은 지식을 다른 분야의 문제 해결에 적용하는 학습 방식이다. 딥러닝, 특히 이미지 분류 문제에서 이 방식은 뛰어난 성능을 보여주며 널리 사용된다. 기존에 학습된 딥 뉴럴 네트워크(DNN)를 다른 데이터셋이나 문제에 적용하여 빠르고 정확한 결과를 얻을 수 있다. 이는 네트워크가 다양한 이미지로부터 보편적인 특징이나 패턴을 학습했기 때문에 가능하다. 1-2. 네트워크에서의 특징 학습 1) Low-level features 네트워크의 초기 층에서 학습되며, 이미지의 색, 경계와 같은 기본적인 요소를 포함한다. 2) High-level features 네트워크의 깊은 층에서 .. 딥러닝 프레임워크/이미지 처리 2024. 4. 4.

• CNN(Convolution Neural Network) 1. CNN(Convolution Neural Network) 이미지 처리, 컴퓨터 비전 및 음성 인식 분야에서 많이 사용된다. CNN은 인간의 뇌가 이미지를 처리하는 방식과 유사하게 작동한다. CNN은 주로 convolutional layer, pooling layer 및 fully connected layer로 구성된다. Convolutional layer는 입력 이미지에서 필터를 사용하여 특징 맵을 생성한다. Pooling layer는 특징 맵을 축소하여 계산량을 줄인다. Fully connected layer는 분류 작업을 수행한다. 2. CNN 구조 2-1. 입력층 입력층은 이미지의 픽셀값을 받아들이는 역할을 한다. 이미지가 입력층으로 들어오면, 이를 기반으로 합성곱층에서 이미지의 특징을 추출한.. 딥러닝 프레임워크/이미지 처리 2024. 4. 2.