전체 글

[패턴인식] 특징 기술(1): 특징 기술자, 영역 기술자

Feature Describe 목차 0. PREVIEW 1. 특징 기술자의 조건 2. 관심점을 위한 기술자 3. 영역 기술자 4. 텍스쳐 5. 주성분 분석 6. 얼굴 인식: 고유 얼굴 0. PREVIEW 앞 절에서 공부한 특징 검출 단계 에지, 지역특징,영역 매칭에 사용하기에 턱없이 빈약한 정보 풍부한 정보를 어떻게 추출할까? 특징 기술 단계는 검출된 특징의 내부 또는 주위를 들여다 보고 풍부한 정보를 추출 특징의 성질을 기술(Describe)해주므로 기술자(Descriptor), 또는 여러 개의 값으로 구성된 벡터 형태이므로 특징 벡터(Feature Vector)라고 부름 1. 특징 기술자의 조건 특징 기술자(Feature Descriptor) 특징을 일련의 숫자(벡토)로 표현한 것 특징 기술자를 통해..

[패턴인식] 영상분할(2): 민시프트, 대화식 물체 분할

Image Segmentation 목차 0. PREVIEW 1. 영상 분할의 원리 2. 전통적 방법 3. 민시프트 4. 대화식 물체 분할 5. 알고리즘 선택 은 이전 게시글을 참고해주세요 https://codingsmu.tistory.com/117 [패턴인식] 영상분할(1): 영상 분할의 원리, 전통적 방 codingsmu.tistory.com 3. 민시프트 모드 탐색 샘플이 주어진 경우, 어떤 점이 속한 모드(봉우리를 찾는 문제) y의 모드는? 3.1 군집화 파젠 창(Parzen Window)을 이용한 확률분포 추정 h는 커널의 폭(클수록 많은 샘플이 창 안으로 들어와 매끄러운 함수가 생성됨) 차원의 저주 발생 차원이 커질수록 기하급수적으로 메모리와 계산 시간 증가 명시적으로 확률분포를 추정하려는 시도..

[패턴인식] 영상분할(1): 영상 분할의 원리, 전통적 방법

Image Segmentation 목차 0. PREVIEW 1. 영상 분할의 원리 2. 전통적 방법 3. 민시프트 4. 대화식 물체 분할 5. 알고리즘 선택 0. PREVIEW 사람 뇌의 영상 분할 사람의 뇌는 다음과 같이 영상 분할 과정이 일어남 상자위에 쌓여있는 형형색색의 파프리카라고 해석하는 과정 동시에 상자, 파프리카, 가격표와 같이 의미 있는 영역으로 분할 즉, 분할과 인식이 동시에 일어남 컴퓨터 비전 현재는 분할 후 인식하는 순차 처리 동시 수행을 추구하는 연구도 있으나 초보 단계 가장 어려운 문제 중 하나 1. 영상 분할의 원리 분할의 정의 생각해 볼 점 적절한 분할이란? 저분할과 과분할 사람 vs. 컴퓨터 사람은 선택적 주의집중과 능동비전 기능을 가지며, 분할 과정에서 고급 지식 사용; 물..

[패턴인식] 지역 특징 검출(2): 스케일에 불변한 특징점 검출

Local Feature 목차 0. Preview 1. 지역 특징 검출의 기초 2. 이동과 회전에 불편한 특징점 검출 3. 위치 찾기 알고리즘 4. 스케일에 불변한 특징점 검출 4.1 스케일 공간 4.2 해리스 라플라스 특징 검출 4.3 SIFT 검출 4.4 SURF 검출 4.5 지역 특징 검출 알고리즘의 특성 비교 은 이전 게시글을 참고해주세요 https://codingsmu.tistory.com/107?category=983612 [패턴인식] 지역 특징 검출 Local Feature 목차 0. Preview 1. 지역 특징 검출의 기초 2. 이동과 회전에 불편한 특징점 검출 3. 위치 찾기 알고리즘 4. 스케일에 불변한 특징점 검출 0. Preview 대응점 찾기 같은 장면을 다른 시점에서 codin..

[핸즈온 머신러닝] 5. 정규화

5. Regularization 목차 5-1. 정규화 1. 과대적합 2. 비용 함수 3. 정규화된 선형 회귀 4. 정규화된 로지스틱 회귀 5. 릿지 회귀, 라쏘 회귀, 엘라스틱넷 5-2. 성능 측정법 5-1. 정규화 1. 과대적합 과대적합(overfitting) 모델이 훈련 데이터에는 너무 잘 맞지만 일반성이 떨어지는 현상 예시 만일 특성(feature)이 매우 많아지면, 훈련된 모델은 학습 데이터 셋에 매우 잘 맞을지 모름 그러나 새로운 데이터 샘플로 일반화되지 않을 수 있음 예로, 새로운 집 면적에 대해 집 값을 예측을 선형회귀를 이용한다고 하자. 왼쪽부터 순서대로 과소적합(underfitting), 알맞은 모델, 과대적합(overfitting)된 모델이다 또한 로지스틱 회귀(분류)에서도 아래와 같이..

[핸즈온 머신러닝] 6장. 서포트 벡터 머신

6. Support Vector Machine 목차 1. 분류 문제 최적화 2. 라지 마진이란? 3. 라지 마진 분류의 수학적 개념 4. 커널1 5. 커널2 6. 실전 SVM 1. 분류 문제 최적화 다른 관점에서 보는 로지스틱 회귀 $y=1 \to h_\theta(x) = 1$, 즉 $\theta^T x >> 0$ 이길 원함 $y=0 \to h_\theta(x) = 0$, 즉 $\theta^T x = 0$} \\ 0 & \text{otherwise} \end{cases} $ 로지스틱 회귀에는 확률개념을 사용하지만, SVM에는 사용하지 않음 로지스틱 회귀 : $H_\theta(x) = P(y=1 | x_j \theta)$ SVM의 경우 svm.predict(x)는 있으나 svm.decisionfunctio..

[핸즈온 머신러닝] 4장. 로지스틱 회귀(분류)

4. Logistic Regression(Classification) 목차 4-1. 로지스틱 회귀(분류)와 모델 설계 1. 로지스틱 회귀(분류) 2. 가설 설계 3. 결정 경계 4-2. 비용 함수 1. 로지스틱 회귀와 비용함수 2. 단순화된 비용 함수와 경사 하강법 3. 고급 최적화 기법 4. 크로스 엔트로피 4-3. 다중 레이블 분류: one-vs-all 4-1. 로지스틱 회귀(분류)와 모델 설계 1. 로지스틱 회귀(분류) 로지스틱 회귀(logistic regression)란? 샘플이 특정 클래스에 속할 확률을 추정 추정된 확률이 50%이상이면 샘플이 해당 클래스에 속한다고 예측함 예시: 스팸/햄 메일, 악성/양성 종양 분류기의 종류 이진 분류기(Binary Classifier) 두 개 클래스를 구분 ..

[핸즈온 머신러닝] 3장. 다항 선형 회귀

3. Linear Regression with multiple variables 목차 3-1. 다항 선형 회귀 1. 다항 선형 회귀란? 2. 2개 이상의 특성 3. 경사하강법 4. 특성과 다항 회귀 3-2. 정규 방정식 3-1. 다항 선형 회귀 1. 다항 선형 회귀란? 단항 선형 회귀(이전 게시글 참고) https://codingsmu.tistory.com/111 [핸즈온 머신러닝] 2장. 단항 선형 회귀 2. Linear Regression with one variable 목차 1. 선형회귀란? 2. 모델설계 3. 비용 함수 4. 경사 하강법 1. 선형회귀란? 회귀(Regression) 연속적인 종속 변수와 한 개 이상의 독립 변수 사이의 관계를 추정하.. codingsmu.tistory.com 다항 ..