[Week 5/ Day 1] Image Classification

Def.

카메라로 찍고, 알고리즘을 통해, gpu에 올리는 과정 => Computer Vision = Inverse redering

cf. 반대의 과정은 Computer Graphics = Rendering

 

classifier : 맵핑을 위한 분류기

KNN

분류하고자 하는 데이터셋을 모두 가지고 있다면? 예를 들어, 강아지와 고양이를 분류하는데 내가 세상에 존재하는 강아지와 고양이의 사진 데이터 셋을 모두 가지고 있으면, input이 들어오면 가장 비슷한 것을 mapping 해서 labeling 해주면 된다. 

하지만, 여러분들도 의문이 들것이다. 과연, 모든 데이터셋을 담는다면 Time Complexity 와 Memory Complexity는 얼마나 될까? >> 무한하다, 즉 실현 가능성이 없다.

 

CNN

• fully connected layer
  • 모든 픽셀들을 서로 다른 가중치로 내적(weighted sum) 하고 actvation function을 통해 도출한다.
  • 문제 : 영상에서는 이미지를 전체적으로 학습하여 아웃풋을 내는데, 만약 이미지를 crop해서 학습시키면? 이상한 값을 도출해낸다.
• locally connected layer
  • 지역적으로 돌아가며 학습시키고, 결국엔 전체를 학습시키게 된다.
  • 만약 사진에 1구역과 3구역에 비슷한 특징이 있다면, fully connected layer에서는 구분하지 못하지만 locally connected layer에서는 지역적으로 학습하기 때문에 구분이 가능하다.

CNN's architectures

• Alex Net
  • 5개의 convolution layer와 3개의 fully connected layer로 이루어져 있다.
  • Local Response Normaliztion => batch normalization으로 바뀌었다.
• VGG Net
  • Alex Net보다 더 깊은 층을 가지고 있다.
  • LRN이 존재하지 않으며, 3*3 conv filter와 2*2 pooling size만을 가지고 있다.