딥러닝 공부방

여인권 교수님의 KMOOC 강의 를 수강하면서 공부한 내용을 정리해보았습니다. 처리효과가 있다고 할 때, 수준 평균의 선형 결합 형태의 가설에 대한 검정 방법을 알아보겠습니다. 1. 선형대비 - Linear Contrast 선형대비는 고정효과모형에서만 이용할 수 있는 방법입니다. 선형대비는 계수의 합이 0인 $\mu_i$의 선형결합을 의미합니다. $\mu_L$의 추정은 모평균을 표본평균으로 바꾸어 표현할 수 있습니다. L은 정규분포를 따른다고 가정하면 분산과 분산의 추정량은 다음과 같습니다. 분산의 추정량을 구했으므로 중심축량을 도출할 수 있습니다. 가설검정 선형대비에서 귀무가설을 다음과 같이 설정합니다. 중심축량에서 귀무가설을 대입하여 검정통계량을 도출합니다. 검정통계량은 자유도가 N-p인 t분포를 따..

여인권 교수님의 KMOOC 강의 를 수강하면서 공부한 내용을 정리해보았습니다. 처리효과가 있다고 할 때, 어떤 수준들 간에 차이가 있는지 확인하기 위해 모든 평균 차의 조합에 대해 유의성을 검정하는 방법을 알아보겠습니다. 다중비교 - Multiple comparison 분산분석 고정효과모형 가설검정을 통해 처리효과가 있다고 판단될때 다중비교를 통해 어떤 수준들 간에 차이가 있는지 확인할 수 있습니다. 모든 그룹의 평균에 대해 검정하는 방법입니다. 다중비교 방법은 여러가지가 있습니다. 여기서 배워볼 방법은 Fisher's LSD, Bonferroni's MSD, Scheffe, Tukey HSD 방법입니다. 1. Fisher's least significant difference - 최소유의차 방법, LS..

여인권 교수님의 KMOOC 강의 를 수강하면서 공부한 내용을 정리해보았습니다. 분산분석에서의 통계적 추론을 하는데 필요한 가정에 대해 알아보겠습니다. 분산분석에서 가정한 조건을 분석자료들이 만족하는지 확인하는 방법을 알아보겠습니다. 모형 가정 분산 분석에서 가장 중요한 것이 모형식이 등분산성을 만족하냐가 중요합니다. 모형식이 다음과 같이 주어졌을 때 1. 등분산성 2. 정규성 - Shapiro-Wilk, jarque-bera 등등 3. 독립성 세 가지를 검정해야 합니다. 등분산성 검정 등분산성 검정은 가설검정으로 구할 수 있습니다. 귀무가설과 대립가설을 다음과 같이 설정합니다. 반복수가 같은 경우 동일한 분산을 가진다는 가정을 약간 어기는 것에 대해 분산분석 방법은 robust한 편입니다. 이는 검정을 ..

여인권 교수님의 KMOOC 강의 를 수강하면서 공부한 내용을 정리해보았습니다. 자료들의 변동을 요소별로 분해하여 정리한 분산분석표에 대해 알아보겠습니다. 고정효과모형과 변량효과모형에서 F통계량의 분모와 분자인 평균제곱의 통계적 성질을 알아보겠습니다. 변동분해 모형식을 정리하여 변동을 요소별로 분해할 수 있습니다. 모형식이 다음과 같을때, TSS(변동), SSE(잔차제곱합), SSTR(처리제곱합) 으로 분해할 수 있습니다. $\mu$는 평균, $\alpha$는 처리효과, $\epsilon$은 오차를 의미합니다. 모형식을 정리하면 다음과 같이 표현할 수 있습니다. 이 식을 제곱한 값을 모두 더해주면 다음과 같이 됩니다. 이 식을 정리하면 세 가지 변동으로 분해됩니다. SSE + SSTR = TSS가 됩니다...

사이토고키의 을 공부하고 정리해보았습니다. 1. VGG VGG는 합성곱 계층과 풀링 계층으로 구성되는 기본적인 CNN입니다. 다만, 아래 그림과 같이 비중 있는 층(합성곱 계층, 완전연결 계층)을 모두 16층(혹은 19층)으로 심화한 게 특징입니다. (층의 깊이에 따라서 'VGG 16'과 'VGG19'로 구분합니다.) VGG에서 주목할 점은 3x3의 작은 필터를 사용한 합성곱 계층을 연속으로 거칩니다. 그림에서 보듯 합성곱 계층을 2~4회 연속으로 풀링 계층을 두어 크기를 절반으로 줄이는 처리를 반복합니다. 그리고 마지막에는 완전연결 계층을 통과시켜 결과를 출력합니다. 2. GoogLeNet GoogLeNet의 구성은 다음과 같습니다. 그림의 사각형이 합성곱 계층과 풀링 계층 등의 계층을 나타냅니다. 그..

황선규 박사님의 를 공부한 내용을 정리해 보았습니다. 예제 코드 출처 : 황선규 박사님 github홈페이지 『OpenCV 4로 배우는 컴퓨터 비전과 머신 러닝』 예제 소스 코드는 아래 링크를 참고하세요 sunkyoo.github.io 동전 카운터 영상의 동전을 검출하여 금액이 얼마인지를 자동으로 계산하는 프로그램입니다. 편의상 동전은 100원짜리와 10원짜리만 있다고 가정했습니다. 구현할 기능 동전 검출하기 -> 허프 원 검출 동전 구분하기 -> 색상 정보 이용 입니다. 색상 정보를 이용할 때 hsv로 색 공간을 변환해서 h값을 이용합니다. 10원 동전의 경우 빨강색 성분이 있어 히스토그램 값을 보았을 때 h값이 양쪽에 위치하게 됩니다. 양쪽에 있게 되면 10원을 판별하기가 어렵습니다. 이를 해결하기 위..

황선규 박사님의 를 공부한 내용을 정리해 보았습니다. 예제 코드 출처 : 황선규 박사님 github홈페이지 『OpenCV 4로 배우는 컴퓨터 비전과 머신 러닝』 예제 소스 코드는 아래 링크를 참고하세요 sunkyoo.github.io 허프 변환 원 검출 허프 변환을 응용하여 원을 검출할 수 있습니다. 직선 검출과 같이 원의 방정식을 파라미터 좌표평면에 표현하면 3차원 축적 평면이 되므로 연산속도가 너무 오래 걸립니다. 속도를 더 빠르기 위해 제안된 방법이 Hough gradient method 입니다. Hough gradient method 원에서 검출된 에지의 원주 점의 정보를 이용합니다. 원 에지 픽셀에서 그래디언트를 계산합니다. 그래디언트 크기 방향으로 직선을 그리면서 값을 누적시킵니다.. 그래디언..

황선규 박사님의 를 공부한 내용을 정리해 보았습니다. 예제 코드 출처 : 황선규 박사님 github홈페이지 『OpenCV 4로 배우는 컴퓨터 비전과 머신 러닝』 예제 소스 코드는 아래 링크를 참고하세요 sunkyoo.github.io [파이썬 OpenCV] 영상의 윤곽선 검출하기 - 캐니 에지 검출 - cv2.Canny 황선규 박사님의 를 공부한 내용을 정리해 보았습니다. 예제 코드 출처 : 황선규 박사님 github홈페이지 『OpenCV 4로 배우는 컴퓨터 비전과 머신 러닝』 예제 소스 코드는 아래 링크를 참고하세�� deep-learning-study.tistory.com 지난 포스팅에서 cv2.canny 함수를 이용해여 윤곽선을 검출하는 것을 공부했습니다. 이번에는 cv2.canny로 검출한 윤곽선..

사이토고키의 을 공부하고 정리해보았습니다. 층을 깊게 하는 것의 중요성 층을 깊게 하는 것의 중요성은 ILSVRC로 대표되는 대규모 이미지 인식 대회의 결과에서 파악할 수 있습니다. 이 대회에서 최근 상위를 차지한 기법 대부분은 딥러닝 기반이며, 그 경향은 신경망을 더 깊게 만드는 방향으로 가고 있습니다. 층의 깊이에 비례해 정확도가 좋아지는 것입니다. 층을 깊게 할 때의 이점은 다음과 같습니다. 1. 신경망의 매개변수 수가 줄어듭니다. 층을 깊게 한 신경망은 깊지 않은 경우보다 적은 매개변수로 같은(혹은 그 이상) 수준의 표현력을 달성할 수 있습니다. 합성곱 연산에서의 필터 크기에 주목해 생각해보면 쉽게 이해할 수 있습니다. 예를 보겠습니다. 아래 그림은 5X5 필터로 구성된 합성곱 계층입니다. 여기에..

황선규 박사님의 를 공부한 내용을 정리해 보았습니다. 예제 코드 출처 : 황선규 박사님 github홈페이지 『OpenCV 4로 배우는 컴퓨터 비전과 머신 러닝』 예제 소스 코드는 아래 링크를 참고하세요 sunkyoo.github.io 황선규 박사님의 깃허브에 올라와 있는 문서 스캐너 코드를 따라해 보았습니다. 문서 스캐너 구현하기 위 그림에서 대각선으로 놓여있는 문서를 똑바른 직사각형 크기의 영상으로 변환하겠습니다. 구현할 기능 3가지 마우스로 문서 모서리 선택과 이동시키기 키보드 ENTER키 인식 왜곡된 문서 영상을 직사각형 형태로 똑바로 펴기(투시변환 이용) 예제코드 import sys import numpy as np import cv2 # 관심영역을 모서리 네개로 선택하는 함수 def drawRO..