앎을 경계하기

Contents 356

MTCNN으로 Face landmark 추출

실행환경 : Google Colab 1. mtcnn 패키지 설치 !pip install mtcnn 2.필요 패키지임포트 import cv2 import glob from mtcnn import MTCNN import warnings warnings.filterwarnings(action='ignore') 3. 랜드마크 추출할 이미지 리스트 얻기 path = '/content/*' file_list = glob.glob(path) input_list = [file for file in file_list if file.endswith(".png")] input_list 4. MTCNN 으로 각 이미지 랜드마크 추출 result = {} for img2 in input_list: img = cv2.cvtCol..

파이썬 데이터분석 실무 테크닉 100 - 1장

파이썬 데이터 분석 실무 테크닉 100은 주어진 데이터에 적용할 여러 라이브러리의 함수 사용법을 설명하는 책들과 달리, 실무에서 데이터가 주어졌을 때 가장 먼저 해야할 일과 이후 순차적으로 분석방법에 대해 설명한다. 01장 웹에서 주문수를 분석하는 테크닉 10¶ 목표 : 어떤 기업 쇼핑몰 사이트의 상품 주문 수의 추세를 분석하여 판매량 개선의 방향 찾기. 쇼핑몰 사이트는 비교적 깨끗한 데이터인 경우가 많다. 쇼핑몰 사이트는 매출 추세뿐만 아니라 언제, 누가 구입했는지 등, 상세 데이터가 많을 수록 깊게 분석이 가능하다. 그러나 현장에서 데이터를 관리할 때, 한 곳에서 관리되지 않는 것이 일반적이다. 이러한 경우 데이터를 연결하는 작업이 필요할 때도 있다. 전제조건¶ 쇼핑몰 사이트의 데이터를 다룬다. 주요..

Hierarchical multi-scale attention for semantic segmentation

ABSTRACTsemantic segmentation의 성능을 개선시키기 위해 Multi-scale inference를 사용한다. 여러 스케일의 이미지가 네트워크를 통과하고 그 결과가 averaging 또는 max pooling 연산을 통해 결합된다. 이 논문에서는 multi-scale로 예측한 결과를 결합하기 위해 attention을 사용하는 접근법을 소개한다. 특정 스케일들로 예측하는 것은 특정 고장난 형태를 해결하는 데 더 효과적이다. 그리고 네트워크는 더 나은 예측을 하기 위해서 이러한 스케일들을 선호하는 것을 학습한다. 이 논문에서 사용되는 attention mechanism은 계층적이다. 이 방법은 다른 최근 접근법들보다 학습하는데 대략 4배 더 메모리 효율적이다. 게다가 학습할 때 더 크게 ..

3. 밝기 변환과 공간 필터링(4)

3.6 샤프닝 공간 필터3.6.1 기초샤프닝은 sharp transition을 강하게 하는 것이다.평균화는 영상 블러링 효과가 있음을 앞 장에서 확인했다. 이 연산은 적분과 비슷하다. 따라서 샤프닝 은 미분에 의해 처리될 수 있다.영상 미분은 edge 및 다른 불연속 성분을 강조하고 밝기가 서서히 변하는 영역들을 무시한다.1차 미분 정의의 조건일정한 밝기 영역에서는 0이다.밝기 계단이나 비탈의 시작에서는 0이 아니다.비탈을 따르는 영역도 0이 아니다.∂f∂x=f(x+1)−f(x)\frac{\partial f}{\partial x}=f(x+1)-f(x)∂x∂f​=f(x+1)−f(x)2차 미분 정의의 조건일정 영역에서 0이다.밝기 계단, 비탈의 시작과 끝은 0이 아니다.일정 기울기의 비탈을 따라서는 0이다...

3. 밝기 변환과 공간필터링(3)

3.4 공간 필터링의 기초Filter 라는 용어는 주파수 도메인 처리에서 가져왔고, Filtering은 특정 주파수 성분들을 통과시키거나 거부하는 것이다. 낮은 주파수를 통과시키면 저역통과 필터라고 한다. 이는 영상을 부드럽게(흐릿하게) 만든다. 공간 필터는 선형, 비선형 필터링에 사용 가능하다.3.4.1 공간 필터링의 메커니즘필터링은 이웃의 중심의 좌표와 같은 좌표를 가지며 필터링 연산의 결과를 값으로 하는 새로운 화소를 만든다.필터 센터부분이 입력 영상의 각 화소를 거쳐 필터링 된 영상이 생성된다. 수행되는 연산이 선형적이면 그 필터는 선형 공간 필터이며, 아니라면 비선형 공간 필터가 된다.선형 공간 필터링의 예시이다.영상 임의의 점 (x,y)에 필터의 중앙 계수인 w(0,0)가 맞춰진다. x, y ..

3. 밝기 변환과 공간 필터링(2)

3.2.4 구간 선형 변환 함수앞서 보았던 영상 네거티브, 로그 변환, 감마 변환에 대해 보완된 방법이 구간 선형 함수를 사용하는 것이다. 장점 : 구간 함수들의 형태가 임의로 복잡해질 수 있다.단점 : 함수를 규정하기 위한 사용자 입력이 훨씬 더 많이 필요하다.Contrast Stretching가장 간단한 구간 선형 함수 중 하나.낮은 콘트라스트 원인은 나쁜 조명, 영상화 센서의 좁은 동적 범위, 영상 획득 시 잘못된 조리개 설정 등이다. 콘트라스트 스트레칭은 밝기 레벨의 범위를 넓혀 매체의 전체 밝기 범위를 사용하게 하는 것이다.(r1,s1)=(rmin⁡,0),(r2,s2)=(rmax⁡,L−1)(r_1, s_1)=(r_{\min},0), (r_2, s_2)=(r_{\max},L-1)(r1​,s1​)=..

Ubuntu 18.04/Windows 10 에서 CUDA 11.1 설치하기

1. CUDA Toolkit을 다운로드한다. (아래 링크) CUDA Toolkit 11.1 Update 1 Downloads Please Note: Due to an incompatibility issue, we advise users to defer updating to Linux Kernel 5.9+ until mid-November when an NVIDIA Linux GPU driver update with Kernel 5.9+ support is expected to be available. Select Target Platform Click on the green b developer.nvidia.com 본인 우분투 버전에 맞는 선택 후 아래 가이드 그대로 따라하기 우분투는 위 사진처럼 안내하..

Anything 2020.11.02

3. 밝기 변환과 공간 필터링(1)

3.1 배경3.1.1 밝기 변환과 공간 필터링의 기초공간 도메인 기법들은 영상의 화소들에 직접 작용한다. 일반적으로 공간 도메인 기법들이 계산적으로 더 효율적이고 자원도 더 적게 사용한다.g(x,y)=T[f(x,y)]g(x,y) = T[f(x,y)]g(x,y)=T[f(x,y)]f(x,y)f(x,y)f(x,y)는 입력영상, g(x,y)g(x,y)g(x,y)는 출력영상, TTT는 fff에 대한 연산자이다. 위 그림은 이웃(공간 필터)를 통한 공간필터링이다. 가장 작은 필터의 크기는 1×1이다. 이러한 경우 g가 하나의 점 (x,y)에서의 f의 값에만 종속된다. T는 그레이 레벨의 변환 함수가 된다.s=T(r)s=T(r)s=T(r)Contrast Strectching s, r은 각각 점(x,y)에서의 g와 f..

2. 디지털 영상 기초(5)

2.6.4 집합 연산과 논리 연산기본 집합 연산과 논리 연산은 따로 정리 안함퍼지 집합요소가 집합의 멤버인지 아닌지를 따지는 것은 크리스프 개념들이다.이러한 개념들에는 한계가 있다.예) 모든 사람들을 젊음, 젊지 않음으로 분류하려고 한다. U는 모든 사람들에 대한 집합, A는 젊은 사람들의 집합인 U의 부분 집합이다. 부분집합 A를 만들기 위해 A에 속하는 지 아닌지를 판별할 수 있는 1 또는 0을 부여하는 U의 각 요소에 대한 멤버쉽 함수가 필요하다. 멤버쉽 함수는 threshold이며 이 값보다 작은지 큰 지를 통해 사람이 젊은지 안 젊은지 판단한다. 20살 이하면 젊다고 할 때, 20년 1초를 산 사람은 젊지 않은 집합의 멤버가 된다. 크리스프 개념들은 이러한 문제를 갖는다. "젊음"이라는 기준에 ..