[DL] CNN

<오버피팅 방지 방법>

- data synthesize : 데이터를 더 생성시킴?

- data augment: 원본이미지를 변형시켜 다양한 데이터를 확보

- 미니 배치

- 피처 스케일링(stand~, normal~, minmax)

- dropout >>노드수에 맞게 일정노드를 제거함, 가중치도 약간 조정하는 역할도 한다

- data shuffling: 배치가 순서대로 되어있으면 학습할때 연관해서 학습하기 때문에 순서에 관계없이 학습하도록 순서를 바꿔줌

 

batch normalization (배치정규화): dropout보다 좋은 효과를 냄, 학습시간이 짧음 layer build시 사용

early stopping: 에러가 변화없는 경우, 가중치가 변하지 않는경우 > 학습이 다 되었다고 생각하고 

model con 관찰 optimum 되는 지점을  

 

이미지/영상 객체 검출 종류

CNN 기초

이미지/ 영상 분류 CNN 기본 개념도

⭐⭐CNN 행렬 곱

CNN Architecture

Convolutional Settings-Depth

$ 채널: RGB 이미지 3 채널

§ 커널(필터): RGB 이미지의 2x2 커널

§ 가중치: 2x2x3 = 12개

 

 

 

 

>> 이미지 채널 수(depth는 activation갯수만큼? 증가) 늘어나고 (차원?)사이즈는 줄어듦

 

 

원본이미지에서 rgb depth

컨볼루션 필터 사이즈 지정 가능

활성화 map이 만들어져서 

 

32 x 32 x 3 images를 3072 x 1 1D로 길게 펼쳐 줌

작고 길게 만들어 주는게 최종 목표?

 

7X7 input > 3X3 filter with 1 stride > 5X5 output

 

<stride>

합성곱 연산이 줄어들고

output형태가 줄어듦

>> stride : 점프

>> 사이즈 연산량 출력이 빨리나옴(시간 감소?) 줄어든다.

 

<padding>

이미지에서 가운데에 더 큰 가중치를 둠 (보통)

> 경계를 가중치를? 0으로 채워 둠

 

 

 

<convolution>

 

<pooling layer>

목표: down sampling

원리: (max) 4x4 2x2필터 이용 

각 구간에서 최댓값을 뽑음

뎁스는 변화x

사이즈는 1/2이 됨 > b

 

 

-(max pooling) 최댓값

-(average pooling) 평균값