세상은 내가 정하는 대로 세상은 내가 정하는 대로

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE SCALE IMAGE RECOGNITION 정리 및 코드 구현 by PyTorch & Tensorflow [VGGNet] VGGNet는 ILSVRC 2014에서 준우승한 모델로, 같은 해 GoogleNet이 우승했으나 사용하기 쉬운 구조와 좋은 성능 때문에 유명해졌다고 할 수 있다. 이전의 AlexNet과 ZFNet에서 모델의 구조를 변화시켰다. 0. Abstract In this work we investigate the effect of the convolutional network depth on its accuracy in the large-scale image recognition setting. Our main con..

[사족: FPN에서 더 발전된 것이 Cascaded Pyramid Network. 참고했던 그 블로그 글 다시 한 번 읽어보자!] Object Detection 분야에서 Scale-Invariant 는 아주 중요한 과제라고 한다. 예전에는 다양한 크기의 물체를 탐지하기 위해 이미지 자체의 크기를 리사이즈 하면서 물체를 찾았다고 한다. 이런 작업은 메모리 및 시간 측면에서 비효율적이기 때문에 Feature Pyramid Network (FPN) 이라는 방법이 등장하게 되었다. 먼저 FPN이 왜 나왔는지 살펴보기 위해 기존의 방법들 부터 천천히 보고자 한다. (a) Featurized Image Pyramid 이 방법은 각 레벨에서 독립적으로 특징을 추출하여 객체를 탐지하는 방법이다. 연산량과 시간 관점에서..

간단 소개 이 논문은 Facebook AI Research 에서 나온 논문이며, CVPR 2019에 게재되었다. 3D Human Pose Estimation 분야를 찾아보다가 알게된 논문인데, 현존하는 SOTA 2D Pose Estimation 방법들과 잘 결합하면 비디오 환경에서 좋은 결과를 얻을 수 있을 것으로 예상된다. 관건은 정확도 높은 2D Pose Estimation 이다. 위 gif 들은 아마 2D Pose GT를 이용했기 때문에 3D Pose 가 매우 자연스러워 보인다. 이 논문은 FAIR팀이 CVPR 2019에 제출한 논문으로, SOTA를 달성하였다. ICCV 2019의 Exploting Spatial-temporal Relationships for 3D Pose Estimation vi..

MACHINE LEARNING:pandas와 친해지기-셋째 날[21.03.03] 4. nan값 처리 -nan 값 없애기 df.dropna(how="any") -nan 값 채우기 df.fillna(value=5) -nan 값 여부 불리언 반환 pd.isna(df)

3. 데이터프레임 고급 인덱싱 * 앞과는 달리, numpy 행렬과 같이 쉼펴를 이용한(행 인덱스, 열 인덱스) 형식의 2차원 인덱싱 지원! =>크게 loc, iloc 있다! 1) loc 인덱서 : 라벨 값 O, 정수 값 X 인덱싱 값 1개만 받는 경우- df.loc[행 인덱스 값] df.loc["a"] -> 시리즈 출력 슬라이스 가능 df.loc["a":"c"] -> 데이터 프레임 출력 리스트 가능 df.loc[["b","d"]] -> 데이터 프레임 출력 불리언 가능 df.loc[df.A>12] -> 데이터 프레임 출력 df.loc[헹 인덱스 값, 열 인덱스 값] df.loc["a","R"] 슬라이스 가능 df.loc["a":,"E"] 리스트 가능 df.loc[["b","d"],["A","F"]] 불리언..

참고: pandas 공식 홈페이지 10 minutes to pandas 데이터사이언스 스쿨 pandas 1. Pandas 클래스 1-1. Series 클래스 : numpy의 '1차원 배열'과 유사, but index 붙일 수 있음! Series=값(values)+인덱스(index) -> 시리즈 생성 시에 value값과 인덱스 값 모두 넣어줘야 함!! s=pd.Series([1,2,3,4],index=["a","b","c","d"]) +) 만약 인덱스 값 지정 x? -> 0부터 시작! ex) pd.Series(range(10,24)) ->데이터 접근 인덱스 접근은 .index로! 값 접근은 .values로! 이름도 붙일 수 있음! 시리즈 데이터 이름 붙이는 건 .name 인덱스 이름 붙이는 건 .index..

5-4. 차원 축소 연산(dimension reduction) -> 행렬의 하나의 행에 있는 모든 원소들을 하나의 데이터 집합으로 보고 연산! 최대/최소: min, max, argmin, argmax argmin: 최솟값의 위치(인덱스) argmax: 최댓값의 위치(인덱스) 기술 통계(descriptive statistics): sum, mean, median, std, var, percentile percentile: 백분위 수 - np.percentile(x,0) - np.percentile(x,25) - np.percentile(x,50), - np.percentile(x,75) - np.percentile(x,100) 불리언: all, any +) 연산의 대상이 2차원 이상인 경우, 어느 차원에서..

3. 배열 생성 크게 다섯 가지로 나누어 배열 생성 메소드를 살펴볼 것이다. zeros/ones zeros: a=np.zeros(5) -> [0,0,0,0,0] b=np.zeros((2,3)) -> [[0,0,0],[0,0,0]] ones: c=np.ones(4) -> [1,1,1,1] d=np.ones((2,2)) -> [[1,1],[1,1]] zeros_like/ones_like zeors_like: 입력한 배열과 같은 크기로, 0으로 초기화된 새 배열 생성 e=np.zeros_like(d) -> [[0,0],[0,0]] ones_like: 입력한 배열과 같은 크기로, 1로 초기화된 새 배열 생성 f=np.ones_like(e) -> [[1,1,1],[1,1,1]] empty g=np.empty((4..