총 1,150개
-
머신러닝 2024년 2학기 방송통신대 출석수업과제물 과제 슬라이드 1~7의 코드 및 설명을 참조하여 신경망 구성 및 test accuracy 출력2025.01.261. Fashion MNIST 데이터셋 Fashion MNIST 데이터셋은 옷 이미지 데이터셋으로, 10개의 클래스(T-shirt/top, Trouser, Pullover, Dress, Coat, Sandal, Shirt, Sneaker, Bag, Ankle boot)로 구성되어 있습니다. 이 데이터셋을 사용하여 신경망 모델을 구축하고 학습을 진행합니다. 2. 데이터 전처리 데이터 시각화를 통해 이미지 데이터를 확인하고, 픽셀 값을 0~1 사이의 실수로 정규화하여 모델 학습에 사용합니다. 이미지 데이터를 1차원 벡터로 변환하는 과정...2025.01.26
-
딥러닝을 이용한 이미지 세그멘테이션과 디노이징2025.05.051. 이미지 세그멘테이션 이미지 세그멘테이션은 이미지를 픽셀 단위로 끊어 분류하는 문제입니다. 신경망을 학습시켜 각 픽셀이 어떤 범주에 해당하는지 예측하도록 합니다. 2. 이미지 디노이징 이미지 디노이징은 이미지에 섞인 노이즈를 걸러 흐린 이미지를 선명하게 하는 문제입니다. 3. U-Net U-Net은 이미지 세그멘테이션과 디노이징을 위한 대표적인 딥러닝 모델입니다. 인코더-디코더 구조를 가지며, 인코더에서 추출한 특징을 디코더에서 참조할 수 있어 정보 복원에 도움이 됩니다. 하지만 설계 자유도가 낮고 메모리가 많이 필요한 단점이 ...2025.05.05
-
방통대 [딥러닝의통계적이해] 2024 출석과제물 (30점 만점 인증 / 표지제외 18페이지 분량 / 코드 및 해설 포함)2025.01.251. Teachable Machine을 이용한 이미지 분류 Teachable Machine에 판다 이미지 54개와 레서판다 이미지 21개를 각 클래스로 나누어 입력하고 학습시켰다. 학습 시도 횟수인 에포크는 50으로 설정되었으며, 배치 크기는 16으로 설정되었다. 학습률은 0.001로 설정되어 있으며, 학습이 완료된 모델에 테스트 이미지를 입력한 결과 판다와 레서판다의 사진 또는 그림에 대해 대부분 100%로 판단하고 정답을 맞추는 것을 확인할 수 있었다. 레서판다 이미지 샘플 수 부족을 보완하기 위해 학습률을 0.00057로 낮추...2025.01.25
-
현재 생성 모델 (generative model) 의 발전 현황2025.01.181. 생성 모델의 개요 생성 모델은 주어진 데이터 분포를 학습하여 새로운 데이터를 생성할 수 있는 모델을 의미합니다. 주로 이미지, 텍스트, 오디오와 같은 데이터의 새로운 샘플을 생성하는 데 사용됩니다. 이러한 모델들은 데이터의 복잡한 구조를 학습하고, 그로부터 창의적이거나 유용한 결과물을 만들어냅니다. 2. 주요 생성 모델 GAN, VAE, Autoregressive Models, Diffusion Models 등 다양한 생성 모델이 개발되었으며, 각각의 특징과 장단점이 있습니다. 이들 모델은 이미지, 텍스트, 오디오 등 다양한 ...2025.01.18
-
JPEG의 압축 과정에 대한 단계별 설명2025.01.171. 색상변환 JPEG 알고리즘을 사용한 이미지 압축 과정에서 가장 먼저 이루어지는 단계는 색상 변환이다. 이 과정에서는 원본 이미지의 RGB 컬러 모델을 YIQ 컬러 모델로 전환하게 된다. RGB 모델은 빨강, 녹색, 파랑의 세 가지 색상을 기반으로 하며, 각 색상의 다양한 조합으로 수많은 다른 색상을 표현한다. 반면, YIQ 컬러 모델은 주로 컬러 텔레비전 방송에서 사용되며, 이 모델은 인간의 시각이 색상보다 밝기에 더 민감하다는 원리를 반영하여 설계되었다. Y 성분은 밝기(luminance)를 나타내며, I와 Q 성분은 색상(...2025.01.17
-
R-CNN 영상 이미지 인식을 이용한 차량간 거리 추정 및 충돌방지2025.05.091. 객체 인식 (Object detection) 이미지에서 객체를 찾고 분류하는 프로세스. MATLAB 딥러닝 기법 중 'R-CNN Object Detector'를 이용하여 영상 이미지 인식 방법을 사용한다. 2. R-CNN: Regions with Convolutional Neural Networks R-CNN 프로세스는 Windows 10, MATLAB 2018b, NVIDIA CUDA Tool kit v10.0, NVIDIA GeForce GTX 750 Ti 개발환경에서 진행되었다. 3. 딥러닝 학습 과정 imageDatas...2025.05.09
-
소프트웨어개발실무 ) 논문 내용 정리 - Going deeper with convolution2025.04.281. GoogLeNet GoogLeNet은 22개의 계층으로 이루어진 깊은 네트워크로, 분류와 검출 부문에 출하되었다. GoogLeNet의 매개변수는 최고의 정확도를 보이며, 2년 전 ILSVRC 14 대회에서 우승한 Krizhevsky의 아키텍처보다 12배나 적게 매개변수를 이용하였지만, 훨씬 향상된 정확도를 보인다. GoogLeNet은 효율을 극대화한 DNN 아키텍처로, 인셉션이라는 코드 이름의 컴퓨터 비전을 위한 것이다. 인셉션 모듈의 형식을 취하며 새로운 조직 level을 소개하고, 네트워크의 깊어진 깊이를 제시한다. 2. ...2025.04.28
-
생성형 인공 지능 입문 족보 대비 문제은행(오프라인 기말고사, 세종대)2025.01.151. 생성형 인공지능이란? 생성형 인공지능은 데이터 전처리, 모델 학습, 결과 생성으로 구성되며, GPT와 ChatGPT와 같은 모델이 대표적입니다. 생성형 인공지능은 텍스트, 이미지, 소리, 동영상 등 다양한 콘텐츠 생성에 활용되지만, 데이터 의존성, 모델 복잡성, 윤리적 문제 등의 한계가 있습니다. 이를 해결하기 위해 데이터 증강, 전이 학습, 하드웨어 개선, 효율적인 알고리즘 개발 등의 방안이 필요합니다. 2. 언어 처리 신경망 개요 RNN은 순차 데이터 처리를 위해 필요하지만, 기울기 소실 문제가 있습니다. LSTM과 GRU...2025.01.15
-
Generative AI를 사용하는 방식 - Fine Tunning 및 Prompt Engineering2025.01.141. 생성형 AI의 기본 개념 생성형 AI는 기계 학습의 발전을 통해 새로운 정보와 아이디어를 창조해내는 인공지능의 형태를 말합니다. 이는 단순히 데이터를 처리하고 분석하는 것을 넘어, 다양한 패턴과 연관성을 학습하여 새롭고 창의적인 결과물을 만들어냅니다. 생성형 AI는 예술, 디자인, 문학 등 다양한 창조적 분야에서 새로운 가능성을 열어주고 있습니다. 2. 생성형 AI의 주요 용도 생성형 AI는 예술과 엔터테인먼트 산업에서 두각을 나타내며, 새로운 창작의 지평을 열고 있습니다. 예술 분야에서는 독창적인 음악이나 미술 작품을 만들어...2025.01.14
-
딥러닝의 EEG 신호 분석에서의 활용과 CNN의 원리2025.01.141. 딥러닝 기반 EEG 분석 딥러닝 기법들은 동작상상, 감정인식 등 EEG 데이터 분류 작업에서 우수한 성능을 보인다. 딥러닝 알고리즘은 EEG 데이터 수집과 전처리, 딥러닝 모형 학습, 신호 분류 및 해석의 과정으로 구성된다. 전처리 과정에서는 입력받은 뇌파 신호를 분류하기 쉬운 형태로 바꿔주어 분류의 정확도를 높여야 한다. 2. EEG분석을 위한 딥러닝 기법 EEG 분석을 위한 딥러닝 기법에는 CNN, RNN, GAN, Autoencoder 등이 있다. 입력되는 데이터의 특징에 따라 CNN보다 RNN이 자극에 의한 변화를 인식...2025.01.14
5 / 115
