[패스트캠퍼스 수강 후기] 인공지능강의 100% 환급 챌린지 60회차 미션

Part5-11. Ch 01. Image Classification - 11. MobileNet, Squeezenet, DenseNet - 2

SqueezeNet

Squeeze Ratio : expansion layer의 input수를 줄여주는 비율, 얼마나 채널수가 줄어드는지 조절하는 파라미터
Squeeze Ratio를 높일수록 성능이 향상되는 것을 확인
3X3 filter를 50정도 사용했을때 성능이 좋은 것을 확인함

타모델과 비교하면
AlexNet과 SqueezeNet를 비교했을시 모델의 크기는 작지만 Accuracy는 비슷한 성능을 보임

성능을 높이기위한 방법
Bypass를 사용해서 성능을 높임

DenseNet

Resnet은 원래 input정보에 conv를 더하는 형태라면
DenseNet은 concat하는 방식으로 진행 늘어다는 비율(growth rate)을 일정하게 늘려감

Resnet는 Bottleck 구조에서 1x1로 줄이고 다시 1x1로 늘려주는 과정을 갖음
DenseNet은 concat를 통해서 확장시켜줌

Pre-activation

BatchNorm-> ReLu -> conv순서로 진행

Part5-12. Ch 02. Multi Object Detection - 01. Image Object Detection 의 소개와 응용 분야들

Object Detection

clasification은 물체가 무엇인지 맞추는것 ex)개인가 고양인가
localization은 box를 통해서 물체의 위치를 파악하는 것
Object Detection은 다량의 물체가 있을때 물체의 위치를 박스로 표현하고 class를 구분
Instance Segmetation은 객체간의 차이로 구분 ex)같은 고양이라도 다른 객체로 구분함

Object Detection은 clasification과 localization의 합이라고 생각하면 됨
Bounding Box를 Regression를 하는 과정을 통해 Localization을 진행

1-stage, 2-stage Detectors

Bounding Box를 만들고 위치를 조정하는 2단계로 진행하는 2-stage Detector
한번에 End to End로 진행하는 1-stage Detector로 구분

2-stage Detector는 Regional Proposal과 Classification이 2단계로 진행
R-CNN 계열
1-stage Detector는 Regional Proposal과 Classification가 동시에 진행
YOLO, SSD 계열

object Detection 변천사

object Detection 활용

인지하는 경우에 자주 사용
자율주행 자동차, OCR, Aerial Image, CCTV
스포츠경기분석, 무인점포, 불량제품 검출

딥러닝/인공지능 올인원 패키지 Online