양갱로그

Introduction예제를 통해 DCGAN을 알아보는 튜토리얼을 진행한다. 실제 유명인들의 사진을 통해서 새로운 사람을 생성하는 Generative Adversarial Network(GAN)을 학습시킨다. DCGAN의 구현은 https://github.com/pytorch/examples 을 참고한다.Generative Adversarial NetworksWhat is GAN?GANs는 학습 데이터셋의 분포를 통해 새로운 데이터의 분포를 학습 데이터 분포와 똑같이 만들어내는 것이다. generator와 discriminator라는 두개의 명확한 모델을 만들어낸다.generator는 학습 이미지와 비슷한 "fake" 이미지를 만들어낸다.discriminator는 generator가 생성한 fake im..

두 장의 이미지에서 한 장을 source, 나머지 한 장을 target으로 하여 source 이미지 내 객체들의 부분 집합을 선택해 target 이미지에 붙여넣음으로써 어렵고, 새로운 이미지 데이터셋을 만들 수 있다. 코드 이식성이 좋아서 쉽게 다른 모델을 사용할 때 data augmentation 적용할 수 있으며 여러 실험을 진행해본 결과, (object detection, instance segmentation, semantic segmentation, self-supervised learning ...)성능 또한 우수함. 데이터가 적은 상황에서 데이터 효율성을 끌어올릴 수 있다. YOUTUBE : youtu.be/jPWHdj2caC8

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..

UNet3+ 스터디 요약 기존 UNet, UNet++의 충분하지 못한 정보 탐색 한계를 개선하기 위해 Deep supervision을 도입한 연결 방식을 새롭게 디자인하고 Hybrid loss function을 사용하며 Classification Guidance Module을 추가함. Github [ZJUGiveLab/UNet-Version](http://github.com/ZJUGiveLab/UNet-Version) 새 창에서 열기