[KHUDA 5기 CV] 3주차

7강 CNN: Convolutional Neural Networks

Convolution Layer

• 합성곱 계층은 3차원으로 구성된 볼륨에서 작동
• 각 레이어는 활성화된 볼륨을 받아들여 새로운 활성화된 볼륨을 생성
• 필터를 이미지 위에서 이동시켜 점곱 연산을 수행
• 각 필터는 하나의 활성화 맵을 생성
• 이러한 합성곱 계층을 통해 이미지를 새로운 형태의 표현으로 변환

Pooling Layer

• 풀링 계층은 볼륨의 표현을 줄이고 관리하기 쉬움
• 각 활성화 맵에 대해 독립적으로 작동
• 최대 풀링은 각 영역에서 가장 높은 값을 선택하여 작동

Fully Connected Layer (FC Layer)

• 합성곱 및 풀링 계층을 거친 후에는 결과를 플래튼하여 완전 연결 계층에 전달합니다.
• 이를 통해 클래스를 구분하는 softmax에서 결과

Case Study

• LeNet-5, AlexNet, ZFNet, VGGNet, GoogLeNet, ResNet 등 

8강 Localization 및 Detection: 객체 위치 파악과 탐지

객체 위치 파악 및 탐지

• Classification, Classification + Localization, Object Detection, Instance Segmentation

Localization as Regression

• 객체 위치를 회귀로 처리하는 방법으로, 이미지 내 모든 위치에 대해 회귀를 수행.

Detection as Classification

• 객체 탐지를 분류 문제로 취급하여, blob 형태의 영역을 찾음.
• Region Proposal을 사용하여 가능성 있는 영역을 선택

Region Proposals

• 객체 탐지를 위한 후보 영역을 찾는 방법으로, blob 형태의 영역을 찾아냄.
• Selective Search와 같은 알고리즘이 사용

R-CNN (Region-based Convolutional Neural Network)

• 객체 탐지를 위해 Region Proposal과 CNN을 결합한 방법

Fast R-CNN 및 Faster R-CNN

• R-CNN의 성능을 향상시킨 방법으로, 빠른 속도와 정확도를 달성

YOLO (You Only Look Once)

• 객체 탐지를 회귀로 처리하는 방법으로, 이미지를 한 번만 처리하여 객체 탐지를 수행합니다.
  • 합성곱 계층은 3차원으로 구성된 볼륨에서 작동
  • 각 레이어는 활성화된 볼륨을 받아들여 새로운 활성화된 볼륨을 생성
  • 필터를 이미지 위에서 이동시켜 점곱 연산을 수행
  • 각 필터는 하나의 활성화 맵을 생성
  • 이러한 합성곱 계층을 통해 이미지를 새로운 형태의 표현으로 변환
  Pooling Layer
  • 풀링 계층은 볼륨의 표현을 줄이고 관리하기 쉽게 합니다.
  • 각 활성화 맵에 대해 독립적으로 작동합니다.
  • 최대 풀링은 각 영역에서 가장 높은 값을 선택하여 작동합니다.
  Fully Connected Layer (FC Layer)
  • 합성곱 및 풀링 계층을 거친 후에는 결과를 플래튼하여 완전 연결 계층에 전달합니다.
  • 이를 통해 클래스를 구분하는 softmax에서 결과를 얻을 수 있습니다.
  다양한 CNN 모델 사례
  • LeNet-5, AlexNet, ZFNet, VGGNet, GoogLeNet, ResNet 등 다양한 CNN 아키텍처가 있습니다.
  8강 Localization 및 Detection: 객체 위치 파악과 탐지
  • Classification, Classification + Localization, Object Detection, Instance Segmentation
  Localization as Regression
  • 객체 위치를 회귀로 처리하는 방법으로, 이미지 내 모든 위치에 대해 회귀를 수행
  Detection as Classification
  • 객체 탐지를 분류 문제로 취급하여, blob 형태의 영역을 찾음.
  • Region Proposal을 사용하여 가능성 있는 영역을 선택.
  Region Proposals
  • 객체 탐지를 위한 후보 영역을 찾는 방법으로, blob 형태의 영역을 찾아냄.
  • Selective Search와 같은 알고리즘이 사용
  R-CNN (Region-based Convolutional Neural Network)
  • 객체 탐지를 위해 Region Proposal과 CNN을 결합한 방법.
  Fast R-CNN 및 Faster R-CNN
  • R-CNN의 성능을 향상시킨 방법으로, 빠른 속도와 정확도를 달성.
  YOLO (You Only Look Once)
  • 객체 탐지를 회귀로 처리하는 방법으로, 이미지를 한 번만 처리하여 객체 탐지를 수행.