Beginning of Wisdom

📌Competition tip  1. mAP를 제대로 이해해서 활용해보자!! → 일반적으로 시각화를 위해서는 bbox threshold를 높게 준다→ 시각화를 할 bbox는 class score가 0.5이상인 애들만 그려라→ 깔끔하게 그려짐 → thres를 낮게 하면 거의 모든 박스를 다 그림→ map가 높음→ 좋은건가..→ 대회 성능을 높이는 데는 좋지만 실제 서비스에는 thres가 낮은게 좋을수도 있지 않나.. ⇒ map의 중요한 성질→ recall, precision을 그래프에 찍었을 때 그 아랫면적을 AP로 계산→ 이 말은 곧 RECALL이 무조건 1에 가까울수록 추가적인 성능 향상이 존재한다.→ 박스를 100개 예측하든 1000개 하든 만 개 하든 박스의 개수에 따라서는 AP의 성능이 증가 되..

📌 학습 정리  1. RandomSeed 고정→ RandomSeed를 고정해야 Data Augmentation 등을 하고 나서 데이터를 다시 재현할 수 있다?2. confusion matrix다음 대회에서는 confusion matrix 사용해서 최종 결과 앙상블 할 때 어떤 모델이 어떤 데이터? 어떤 부분?을 잘 못 맞췄는지 3.  Sketch-Specific Data Augmentation for Freehand Sketch Recognition 위 논문에서 나온 BPD, MSR 기법이 스케치 이미지 데이터에 특화된 Data Augmentation 기법이라서 꼭 적용해보고 싶었다.특히 BPD의 경우에는 따로 데이터 학습이 필요없는 수학적으로 Data Augmentation을 하는 기법이라서 수학과 ..

개념/code 학습 중 생긴 이슈 및 해결 방법에 대해 기록하자 개념 Issue & Solution1. Zero shot & Few shot.. Zero-shot learning (ZSL)은 모델이 학습 과정에서 본 적 없는 새로운 클래스를 인식할 수 있도록 하는 학습 방법일반적으로 딥러닝은 training에 사용된 class만을 예측할 수 있다. 따라서 unseen data가 입력되면 seen class로 예측하는 바보가 되버리는데, Zero shot은 train set에 포함되지 않은 unseen class를 예측하는 분야즉, unseen data를 입력 받아도, seen data로 학습된 지식을 전이하여 unseen data를 unseen class로 예측 가능open set recognition은..

추후 할 것 : 강의에 나오는 많은 논문 중에 재밌어 보이는 (관심이 가는) 논문 정해서 깊게 공부 후 블로그에 정리하기  개념/code 학습 중 생긴 이슈 및 해결 방법에 대해 기록하자개념 Issue & Solution1. PyTorch에서 이미지 ShapePyTorch에서 이미지 텐서는 (C, H, W) 형식으로 나타남.C: 채널 수 (예: RGB 이미지의 경우 3)H: 높이 (Height)W: 너비 (Width)이와 반대로, PIL 이미지나 대부분의 넘파이 배열에서는 이미지 데이터가 (H, W, C) 형식으로 저장됨.  PyTorch는 텐서에서 (C, H, W) 순서를 사용하고, TensorFlow와 Keras는 (H, W, C) 순서를 사용. 2. PyTorch에서 사용하는 표준적인 이미지 데이..

개념/code 학습 중 생긴 이슈 및 해결 방법에 대해 기록하자개념 Issue & Solution1. pallete → 색약, 색맹 색약, 색맹..→ 과학, 의료 같은 분야에서는 이를 보완하는 색 pallete 필요.→ viridis,, 등등 2. 이미지 데이터 → 어떤 도메인에서 왔는가?어떤 도메인에서 왔는가? 가 가장 중요!! 의료 데이터의 경우는 정확도가 상당히 중요, 사람 데이터는 어떤 왜곡점이 있는지가 중요..만화 캐릭터에 대해서 이미지 생성 task를 가지게 되면 어떤 게 중요?만화는 실제 사람의 얼굴과 다르게 눈이 엄청 커도 되고,, 비현실적인 얼굴의 비율을 가져도 허용이미지 자체가 도메인에 따라 다양한 특성을 가지고 허용할 수 있는 범위가 달라지기 때문에 항상 가장 중요한 것은 도메인!! ..

개념/code 학습 중 생긴 이슈 및 해결 방법에 대해 기록하자개념 Issue & Solution 1. 선형 회귀 '정규성' 가정Issue : 그래프 해석이 헷갈림정규성 : 회귀 모델의 잔차(residuals) or 오류가 정규 분포를 따르는지 확인잔차들이 정규 분포를 따를 경우, 점들이 대각선에 가깝게 위치 -> WHY?잔차 : 오차의 추정치 : residual ; 예측값과 실제 ground truth (실제 값) 의 차이시각화하는 방법 중 하나가 바로 Q-Q (Quantile-Quantile) 플롯Q-Q 플롯이란?Q-Q 플롯은 두 개의 확률 분포를 비교하는 그래프선형 회귀 분석에서는 보통 잔차의 분포를 정규 분포와 비교하기 위해 사용됨잔차가 정규 분포를 따른다면, Q-Q 플롯에서 점들이 대각선에 가까..