논문리뷰4 [논문리뷰] - GAN(Generative adversarial network) - (2) 이번시간에는 정말 Pg가 Pdata로 수렴하게 되는지를 증명해보고자 한다. Global Optimality G가 고정된 상태에서는 Dg(x)라는 식으로 수렴하게 된다는 것이다. 좀전의 목적함수는 확률변수 X에 대한 기대값은 적분을 통해 바꿔줄 수 있는 것을 고려해 아래 식으로 변환할 수 있게된다. (연속확률분포이기에 적분을 통한 기대값 계산) 그 아래식은 z도메인에서 원본 데이터 x로 대응시키는 과정을 표현하고 있기에 dz를 dx로 변환하는 내용을 담고 있다. 이 내용이 이해가지 않는다면 이전 포스팅을 참조하면 좋을 것 같다. 이러한 형태는 function y -> aloy(y) + blog(1-y)의 형태인 것을 확인할 수 있고 이것의 극대값은 a/a+b 인것을 알 수 있으며, 왼쪽 그림으로 표현되는 .. 2021. 11. 3. [논문리뷰] - GAN(Generative adversarial network) - (1) GAN은 2014년 NIPS에 발표된 논문으로 유사데이터를 생성해내는 모델로 잘 알려져 있다. Generator(생성자)와 Discirimiator(구분자)라는 두 네트워크로 나뉘어지는데, 생성자는 유사한데이터를 만들어내는 것에 집중을 하고 구분자는 생성자가 만들어낸 데이터가 Real 데이터인지 Fake 데이터인지 판별하는 역할을 한다. 이러한 적대적으로 학습시키는 비지도학습에 해당하는 GAN은 학습을 시킬수록 생성자는 구분자에 판별되지 않는 데이터를 만들기 위해 점점 Real 데이터와 유사하게 생성하게 된다. 이러한 GAN을 본격적으로 학습하기 앞서 확률분포에 대해 이해하고 있는 것이 도움이 된다. 아직 확률분포에 대한 개념이 미흡하다면 아래 링크를 통해 학습하고 오면 좋을 것 같다. 통계기초 - 확률.. 2021. 11. 3. [논문리뷰] YOLO(You Only Look Once) 흔히 YOLO라고 하면 Life style중의 하나로 자신의 행복을 가장 중시하는 태도를 말합니다. 그것과 비슷하게 여기서는 You Only Live Once에서 Live를 Look으로 바꿔서 한번에 보고 바로 처리를 하겠다는 신경망인 YOLO에 대해서 알아보도록 하겠습니다. 1. Introduction 먼저 R-CNN의 한계점에 대해 명확하게 인지해보겠습니다. 사람은 이미지나 환경을 볼 때 어떠한 개체들이 있는지 한눈에 들어오게 됩니다. 하지만 R-CNN은 Detection시스템을 두 단계에 걸쳐서 진행을 합니다. 객체가 있을법한 Bounding box를 치고나서 이것들을 가지고 Classification을 진행해줬습니다. 따라서 YOLO 저자들은 전체 이미지를 보고 이미지 안에 어떠한 객체들이 존재하.. 2021. 4. 10. [논문 리뷰] R-CNN (Regions with CNN features) 오늘은 Object Detection 부분에서 CNN을 이용하여 처음으로 큰 두각을 나타낸 논문 R-CNN에 대해 살펴보겠습니다. 배경지식 먼저 R-CNN을 알기위한 용어들에 대해 먼저 알아보도록 하겠습니다. IOU는 격자점에 존재하는 부분을 확률로 나타낸 것으로 0~1사이의 값을 가집니다. Localization이라고 해서 한가지 이미지에 대해서 boxing을 하는데 이것과 딱알맞는 상자가 존재하는데 이것을 ground truth boxes라고 부르고 그 두 상자의 오버랩을 통해서 positive, nagative 예시를 분류하기도하고 중복을 제거하는 방식으로 사용하기도 합니다. Non-Maximum Suppression 이것이 예시가 되겠는데 test set에서는 ground truth boxes가 .. 2021. 3. 30. 이전 1 다음
