Beginning of Wisdom

📌 의료쪽에서 Unet이 많이 사용되는 이유의료 분야에서 U-Net이 많이 사용되는 이유는 주로 의료 영상의 특성과 U-Net의 구조적 특징이 잘 맞아떨어지기 때문.1. Segmentation에 최적화된 구조의료 영상 데이터는 주로 픽셀 단위로 정밀한 분할(Segmentation)이 필요합니다. 예를 들어, CT, MRI, X-ray 이미지에서 특정 장기, 병변, 또는 뼈 구조를 정확히 추출해야 합니다.U-Net은 엔코더-디코더 구조로 되어 있어, 이미지를 압축(Downsampling)한 후 다시 복원(Upampling)하며 세부 정보를 보존할 수 있습니다.2. 스킵 연결(Skip Connection)U-Net의 주요 특징은 스킵 연결입니다. 이는 엔코더에서 추출된 저수준(low-level) 특징을 디..

📌 DATA Relabeling오픈 데이터 가져와서 우리의 가이드라인에 맞게 annotation 구분선 같은거 annotation 다해서 구분선 있는 데이터 더 많이 해서 학습하는 방법도 있긴함..CVAT, Roboflow로 annotation을 수정할 수 있음을 직접 경험함.Roboflow로 직접 Relabeling 작업을 했고 Relabel 된 데이터를 가지고 학습했을 때 성능 향상이 있어서 데이터 quality가 중요함을 다시 몸소 깨달았고 성취감도 있었다.📌 Model vs Data실무에서는 data centric이 중요하다~!sample level analysis 가 중요하다.📌 아쉬운 점github 협업을 다음 프로젝트 부터는 좀 더 체계적으로 해야 겠다.슬랙과 github, notion..

📌 일단 대회를 진행하며 느낀 점들을 블로그에 남긴다. 대회에서 시도했던 가설, 실험(가설 검증) 등은 Github, Notion, Wrap up report에 기록해 두었다.📌 실험 공유저번 대회처럼 Notion으로 실험 공유를 다들 열심히 잘 해주었다. wandb를 이번 대회부터 처음 적용해보았는데 확실히 실험 공유도 잘 되고 모델 성능도 다같이 편리하게 볼 수 있어서 정말 좋았다. wandb는 이제 없으면 안 될 것 같다..나중에 필요하다면 유료 결제를 해서라도 사용할 것 같다...팀 안에서 각자 실험했을 때 유의미한 결과를 도출했다고 생각하는 실험들을 Github에 실험에 맞는 브랜치 명을 만들고 빠르게 Commit을 해서 다른 팀원들도 그 실험을 자신의 모델에 적용해 볼 수 있었다는 점이 좋..

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..