KM-Hana

Abstract 딥러닝 발전은 얼굴인식(Face Recognition)을 상당히 개선 시켰다. 1. Network Architecture와 Loss function 2. "one-to-many augmentation"와 "many-to-one normalization" 카테고리로 나눈 후, 모델 학습 및 평가에 사용되는 데이터베이스를 비교한다. 3. 기타 응용 FR 기술을 다룸 4. 기술적 과제와 유망한 방향성을 강조함 Introduction 얼굴인식(Face Recognition)은 신원 인증을 위한, 생체인식 등에서 널리사용되는 분야다. 얼굴인식의 발전은 1990년 부터의 4단계의 주요 기술 변화가 일어나면서 발전했다. ※ 얼굴 인식의 발전 과정 - 세부 설명 더보기 ※ 얼굴 인식의 발전 과정 - 세..

*크롬으로 보시는 걸 추천드립니다* Active Learning(능동적 학습)에 이어서, 다룰 주제는 Metric Learning입니다! Active Learning(능동적 학습) 설명 : kmhana.tistory.com/2?category=838050 실용적인 Deep Learning 적용을 위한 시작 'Deep Learning을 실산업에 적용할 때 가장 큰 문제가 무엇일까?' 라는 질문에 주저없이 답변 드릴 수 있다. 첫번째도, 데이터와 레이블링 두번째도, 데이터와 레이블링 세번째도, 데이터와 레이블링 kmhana.tistory.com 우여곡절 끝에, 데이터를 모아서 딥러닝을 학습하려고 봤더니 문제가 생겼습니다. 매일 분류해야 되는 대상이 변경된다는 겁니다. 분류(class) 대상이 매일 바뀌는 경..

* 크롬으로 보시는 걸 추천드립니다 * 2. 딥러닝을 위한, Active Learning - Core-set : kmhana.tistory.com/6?category=838050 - Loss for Active Learning : kmhana.tistory.com/10?category=838050 - Discriminative Active Learning(DAL) : kmhana.tistory.com/12 파트가 끝나고, 오늘은 Active Learning에서 조금은 편한 주제로 작성하려고 합니다. 서론 딥러닝을 개발하다 보면, 필수적을 맞닥뜨리는 문제는 1. 데이터를 어떻게 얼마나 획득을 하는가? 2. 어떻게 레이블링 할 것인가? - ( 누가? 얼마나? 비용은 누가?) 라는 문제와 부딪힙니다. 딥러닝을..

* 크롬으로 보시는걸 추천드립니다 * kmhana.tistory.com/4?category=838050 중 2. Active Learning을 위한, 딥러닝 - Core-set - Loss for Active Learning - Discriminative Active Learning(DAL) Discriminative Active Learning에 대해서 소개하고자 합니다. arxiv.org/pdf/1907.06347.pdf ※ 저자가 설명해주는 블로그입니다. dsgissin.github.io/DiscriminativeActiveLearning/ 굉장히 잘 정리해주었습니다. 다양한 Active Learning에 대한 인사이트를 얻을 수 있으므로 AL에 대해서 공부하시는 분들께 꼭 추천드립니다. 종합 : ..

kmhana.tistory.com/4?category=838050 Active Learning 이란 - 기본 dsgissin.github.io/DiscriminativeActiveLearning/about/ About An introduction to the active learning framework, from classical algorithms to state of the art methods for neural networks. A new method.. kmhana.tistory.com 을 우선 보시는걸 추천드립니다. 2. Active Learning을 위한, 딥러닝 - Core-set - Loss for Active Learning - Discriminative Active Learning ..

kmhana.tistory.com/4?category=838050 Active Learning 이란 - 기본 dsgissin.github.io/DiscriminativeActiveLearning/about/ About An introduction to the active learning framework, from classical algorithms to state of the art methods for neural networks. A new method.. kmhana.tistory.com 을 우선 보시는 걸 추천드립니다. 2. Active Learning을 위한, 딥러닝 - Core-set - Loss for Active Learning - Discriminative Active Learning..

Google Brain팀에서 발표한 Big Transfer (Bit) : General Visual Representation Learning 논문에 대해서 소개하고자 합니다. 종합 : ⭐⭐⭐ 1. 논문 중요도 : 4점 2. 실용성 : 3점 설명 : Transfer Learning에 인사이트를 줌 - 대용량 데이터를 사전학습 할 때와 그 모델을 Fine-tuning할때에 대한 고찰 - Transfer Learning에 좋은 참고가 될 수 있다 - 단, Google 전용 데이터를 사용했으며, 엄청난 자원이 필요하다는 점은 큰 단점이다. Big Transfer (BiT) 의의 1. '어떻게 해야 Transfer Learning을 잘 할 수 있을까?'에 대한 Insight를 얻을 수 있다. 2. 게다가, im..

Activ Learning의 기본을 먼저 보고싶으신 분은, 이전 포스트 Active Learning 이란 - 기본 dsgissin.github.io/DiscriminativeActiveLearning/about/ About An introduction to the active learning framework, from classical algorithms to state of the art methods for neural networks. A new method.. kmhana.tistory.com 를 참고해주세요! Active Learning의 기본적으로 알아야할 기초적인 쿼리전략(Query Strategies)를 간단하게 기술하고자 한다. ※ 쿼리전략(Query Strategies) 란? : 모델..

dsgissin.github.io/DiscriminativeActiveLearning/about/ About An introduction to the active learning framework, from classical algorithms to state of the art methods for neural networks. A new method called “Discriminative Active Learning” is introduced and discussed. dsgissin.github.io 현재까지 본 Active Learning 사이트 중 가장 잘 설명해두었다. Discriminative Active Learning의 저자인데, 기회가 된다면 후에 논문요약을 하고자 한다. 딥러닝을 활..

'Deep Learning을 실산업에 적용할 때 가장 큰 문제가 무엇일까?' 라는 질문에 주저없이 답변 드릴 수 있다. 첫번째도, 데이터와 레이블링 두번째도, 데이터와 레이블링 세번째도, 데이터와 레이블링 였다. 데이터를 수집하는 것도 수 많은 비용이 발생되고, 그 데이터를 레이블링하는데 수 많은 장애물이 발생된다. 1) 누가 레이블링 할 것인가? 2) 비용은 누가 지불할 것인가? 3) 얼마나 레이블링을 해야되는건가? 이러한 고객과 딥러닝 개발자, 사업부서간의 줄다리기 끝에서, 고객은 AI에 대해서 크게 실망하며, 'AI를 하겠다'는 생각이 잘 못되었음을 깨닫게 된다. 딥러닝 개발자, AI 개발자로서의 적은 데이터로 적은 레이블링을 통해, 모델을 개발해야함을 절감했으며 이를 해결하기위한 방법론들을 작성해..