목록딥러닝 (3)
안 쓰던 블로그
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/nE9vD/btq4DAdD8mZ/6xA1nAhDwl74hbTLr8KKek/img.png)
kaggle - Dogs vs. Cats 1. 소규모 데이터셋에서 CNN 훈련하기(Dogs vs. Cats 데이터셋) https://foxtrotin.tistory.com/473 2. 사전 훈련된 CNN 사용하기 (ImageNet 데이터셋, VGG16 모델) https://foxtrotin.tistory.com/486 3. 미세 조정 https://foxtrotin.tistory.com/507 케라스 창사자에게 배우는 딥러닝 5장을 개인적으로 공부한 내용을 덧붙여 정리한 글입니다. 이전 글에서 캐글의 cats vs. dogs 데이터셋을 가지고 소규모 데이터셋에서 컨브넷을 훈련해 보았다. 데이터 증식 방법을 적용하여 과대 적합을 줄였지만, 전체 데이터 자체가 적기 때문에 컨브넷을 처음부터 훈련해서 더 높은..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/bCTq0a/btq2x4fIynO/14dwa1cTpeNownOpXta1i0/img.png)
kaggle - Dogs vs. Cats 1. 소규모 데이터셋에서 CNN 훈련하기(Dogs vs. Cats 데이터셋) https://foxtrotin.tistory.com/473 2. 사전 훈련된 CNN 사용하기 (ImageNet 데이터셋, VGG16 모델) https://foxtrotin.tistory.com/486 3. 미세 조정 https://foxtrotin.tistory.com/507 케라스 창사자에게 배우는 딥러닝 5장을 개인적으로 공부한 내용을 덧붙여 정리한 글입니다. 컴퓨터 비전 작업 중 매우 적은 데이터를 사용해 이미지 분류 모델을 훈련하는 일은 흔하게 만날 수 있을 것이다. '적은' 샘플이란 보통 수백 개~수만 개 사이를 의미한다. 이번 글에서는 4,000개의 강아지와 고양이 사진(2,..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/mRDo7/btqTSU6itUJ/Vt0RKOem2sLL21hjVqWhp0/img.png)
RCNN Region Proposal 기반의 Object Detection 모델 Object Detection -원본 이미지->Feature Extrator->Feature Map->FC Layer->Soft max Class score -Sliding Window 방식과 Region Propsal 방식(대표적인 방법: Selective search) RCNN(Regions with CNN) -Region Proposal과 CNN Detection이 섞인 방법 1. 원본 이미지에서 Selective search로 후보 추출(2천개 정도) 2. 추출된 후보 이미지를 다 동일한 사이즈라고 가정(warped region), 후보를 가지고 CNN Detection 3. 후보들 Classify RCNN 장단점 높..