안녕하세요 강사님. 수업 항상 잘 듣고있습니다. 바쁘시겠지만.. detection 학습관련하여 계속 헷갈리는 부분 있어서.. 질문드립니다.   이번 강의 중간 부분에 faster RCNN의 문제점을 이야기 해주시면서 classification과 Bonding box rergression을  RPN 에서도 하고 뒷단의 detect부분에서도 똑같이 한다고 하셨습니다. 제가 이해하는 바로는 결국 마지막 부분에서 multi loss를 통해서 한번 역전파 시켜주는 것으로 알았는데, RPN부분에서 따로 weight 갱신이 이루어지는지요..? (inception의 auxiliary와 같은방식으로..) 아니면 FCN방식으로 9x(HW) 2x(HW)를 제안한 것 자체가 중복되는 구조라는 것인지요? >> 요약 : loss를 두번 흘려줘서 학습이 2번 이루어진다고 생각하는 것인지, 아니면 구조만 두번 중복되고 마지막 loss로 다같이 학습이 되는 것인지 궁금합니다.

AISchool 강사님 안녕하세요~ 강의 자료를 받고 싶어서 이곳에 글을 올렸습니다.    수강평은 남겼고, 메일 주소는 ceng99@naver.com입니다.    좋은 강의에 감사드립니다. 

안녕하세요 교수님! 이 강의에서 yolov3의 데이터셋도 ms coco데이터로 pre trained 되어있고, 추가적인 다른 데이터셋은 추가하지않은 코드인가요?

강의 도중 이해가 안되는 부분이 있어 질문드립니다. 1. poly.fit([[2,3]])은 기본적으로 [1, a, b, a^2, ab, b^2]의 꼴을 가지게 되는데 이 형태가 갖는 의미가 무엇이며 왜 이 형태를 불러와야하는지 모르겠습니다 2. poly.get_feature_names() ['x0', 'x1','x2', 'x0^2', 'x0 x1', 'x0 x2', 'x1^2', 'x1 x2', 'x2^2'] 각각의 이름들이 해당하는 의미가 무엇이며 이 코드의 필요성은 무엇인가요 수업 잘 듣고 있습니다.

안녕하세요 선생님, param 계산되는 과정에서 질문이 있습니다. 첫번째 param인 2432는 왜 2432가 나오는지 알겠는데 두번째 param인 9248은 어떻게 9248이 나오는지 잘 모르겠습니다 ㅠㅠㅠ 2432 + (?) = 9248이 되는거 같은데.... (?)는 3*3(kernel_size) * 3(channel)*32(filters) * ? 인거같은데... 제가 직접 계산해보면 9248이 안나옵니다 ㅠㅠㅠ 2432 + (?) = 9248 여기서 ?가 뭔지 알 수 있을까요? 감사합니다!!

- 학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! - 먼저 유사한 질문이 있었는지 검색해보세요. - 서로 예의를 지키며 존중하는 문화를 만들어가요. - 잠깐! 인프런 서비스 운영 관련 문의는 1:1 문의하기를 이용해주세요. 안녕하세요. 고퀄 강의 감사드립니다~ robotics분야에서 Control과 Localization을 개발하고 있는데 CV딥러닝에 대한 것은 잘 몰라서 강의를 듣게 되었고 매우 만족하며 수강중입니다. 아직 초반 밖에 듣지 않았지만 , 사용하는 툴에 대해 궁금한 점이 있어서 질문드립니다. 보통 같이 일하는 CV쪽 딥러닝 엔지니어들 이야기들어보면 텐서플로우에 케라스 사용해서 직접 딥러닝 모델을 만들어 디텍을 하는 거라고 생각했는데, MMDetection이나 Detectron2같은 프레임워크를 사용하여 모델을 만드는 것이 더 일반적인 가요??

안녕하세요  선생님 초기에 LR을 크게 할 때 왜 overfitting인지 잘 이해가 가지 않습니다. 초기에 큰 LR을 적용할시 Weight의 급격한 변화로  지역 최적해에 빠져 과적합 가능성이 있다고 언급하십니다. (2:00~3:35쯤 설명) 그런데, 제 생각에는 지역최적해에 빠져 나오지 못 하는 경우, 충분한 학습을 하지 못하고 수렴 한 것이라 overfitting 보다는 under fitting이라고 생각되는데,  왜 overfitting인지 잘 모르겠습니다 . 항상 즐거운 강의 감사합니다 :) 

이전 강의들에서는 이미지를 증강 할 때, data_generator.fit(image_batch) data_gen_iter = data_generator.flow(image_batch) aug_image_batch = next(data_gen_iter) 제너레이터에 fit을 하고 flow으로 이터레이터를 생성하고 next로 조금 씩가져오는 것으로 이해하였습니다. 하지만 이번 강의에서는 왜 제너레이터에 fit과 next를 하지 않으시는지 궁금합니다... 또한 제너레이터가 이미지를 생성하는 것이 아니라 flow를 만들어 주고, next로 랜덤하게 적용해서 가져와 주는 것으로 이해하는 것이 맞는지요..? 감사합니다.

선생님 기존 프로그래밍과 머신러닝의 차이가  기존 프로그래밍은 기존의 알고리즘 수식이나 통계분석 모델을 그대로 사용하여 결과를 산출한다면,  머신러닝은 다양하고 많은 데이터를 통해 알고리즘을 학습시켜서 최적화된 모델을 통한 결과가 산출이라고 한다면.. 회귀분석모델에서 조금 헷갈리는 것이.. 기존의 통계분석의 회귀분석은 머신러닝같은 개념이었던 건지.. 기존의 통계분석인 회귀분석의 회귀계수들도 데이터에 따라 바뀌었는데.. 1:57 의 그림에서 최적의 함수를 찾는다는 부분에서 기존 통계분석의 회귀분석을 생각할 때 갑자기 헷갈려서요..ㅠ 

안녕하세요, 수업 잘 듣고있습니다! Conv2D의 필터 사이즈가 32, 64, 128 로 점점 커지는데, 점점 필터 사이즈가 커지는 이유가 있나요? 제 예상으로는 * 사실 32, 32, 32도 상관없지만 관례상 필터 사이즈가 커질수록 성능이 좋기 때문 => 이것도 커널 사이즈를 (3, 3) 으로 하냐 (5, 5)로 하냐의 실험적인 문제와 동일하다 또는, * 신경망이 깊어질수록 이미지의 추상적인 특징이 증가하기 때문에 이것을 담을 그릇이 커져야 한다. 이긴 합니다 또, 이것은 별개의 질문인데 너무 헷갈려서요.. 필요한 파라미터의 개수는 kernelSize * kernerSize * filters * channel 라고 하셨는데, INPUT ( None, 28, 28, 3) 이고 Conv2d (filters=32, kernel_size =(3, 3)) 이라면 파라미터 개수는 3 * 3 * 32 * 3 이+ 32 가 될것입니다! 근데 여기서 제 생각으로는, 인풋 채널이 3개긴 하지만, 인풋 채널 3개와 각각의 커널이 합성곱 되어서 나온 결과도 3개이고, 이 결과 3개를 더해서 하나의 행렬로 만들고, 각각의 결과는 모두 같은 필터와 곱해져서 나왔기 때문에 인풋 채널에 영향을 받는다는 내용이 머릿속으로 잘 이해가 안됩니다 ㅠㅠ 이부분도 도와주세요

안녕하세요. 이전 강의인 NMS에서도 궁금했는데, confidence 임계값이 어떻게 결정되는지 궁금합니다. IOU 같은 경우는 식으로 설명해주셔서 이해가 가는데, confidence 임계값인 경우에는 그런 것이 없더라구요. 좋은 강의 항상 잘 듣고있습니다. 감사합니다.

안녕하세요, 텐서플로우 자격시험 강의를 듣다 의문이 들어 질문드립니다. 1) hidden layer를 보면 5개 쌓은 것으로 이해됩니다(input layer, output layer 제외) 5개인 이유가 뭘까요? 어떤 기준으로 층 개수를 정하는 걸까요 2) layer의 unit를 2의 제곱수로 절반씩 줄이는데, 이것의 의미가 궁금합니다. 정하는 기준이 있다면 그것도 궁금합니다 감사합니다.

MASK RCNN 으로 위성지도에서 지붕을 찾는 과제를 하고 있습니다. 파란색 개통의 공장지붕을 찾으려고 학습데이트를 만들고 실행을 해보았는데 다른 색상의 지붕, 주차장도 찾았습니다. MASK RCCN에 색상정보는 영향이 없는 건지 문의드립니다. 감사합니다.

안녕하세요 선생님, 질문이 있습니다. !pip install mmcv-full 이후에 런타임 다시 시작을 해야 import mmcv가 정상 작동하는데, 코랩 런타임 다시 시작하는 것이 어떤 원리인가요? 런타임 다시 시작을 안하면  import mmcv가 정상 작동하지 않는 이유가 궁금합니다.

안녕하세요! 강의 잘 듣고 있습니다! 제가 알기로는 epoch란 전체 데이터를 모두 관측한 횟수이고 iteration은 한 에포크에서 가중치 갱신이 된 횟수로 알고 있습니다. 전체 데이터가 100개이고, 500번의 epoch을 돌린다고 할 때, GD : 각 데이터당 500번이 인풋 데이터로 선택. 총 50,000번의 학습. iteration도 500. batch_size는 100 SGD : 각 데이터당 평균적으로 5번의 인풋 데이터로 선택. 총 500번의 학습. iteration은 50000. batch_size는 1 Mini - Batch(batch_size = 10) : 각 데이터당 50번의 인풋데이터로 선택. 총 5,000번의 학습. iteration은 5000, batch_size = 10 위 결과처럼 iteration*batch_size의 값은 모두 동일하지만 각 데이터가 학습되는 비중이 다르게 되는 것이 맞을까요? 또, 결론적으로 GD에서 변환되어 나온 SGD와 배치방법(이하 SGD 통일)은 표면적으로는 GD의 "전체 관측 후 갱신" 에서 SGD의 "부분 관측 후 갱신" 이라는 양적 개념이 달라진 것처럼만 보이지만 사실 그 내부에는 GD의 "동일한 데이터 반복 학습"에서 SGD의 "동일한 데이터 반복 학습 횟수 감소"로 볼 수도 있는건가요?

설명 중에 fit을 안해도 되는데 나중에 노멀라이제이션도 전체 데이터에 적용되어야하기 때문필요하다고 하던데   잘 이해가 안되는데 fit이 뭔지 궁금합니다. 

Node가 1개라는 말이 무슨 말인지 잘 모르겠습니다ㅠㅠㅠㅠ 예시 들어서 한번만 말씀해주실 수 있을까요?

안녕하세요 머신러닝 완벽가이드 강의에서 최근에 교차검증에 대해서 배웠는데요. 여기서도 k fold와 같은 교차 검증이 가능한지, 실익이 있는지 궁금합니다. 그리고 만약 검증 데이터의 결과가 만족스럽지 않을 때는 무엇을 해 줄 수 있을까요? Dense 추가, 배치 사이즈 작게 등이 생각나는데 다른 것도 있으면 알려주세요. 감사합니다

안녕하세요! 다름이 아니라 RCNN 의 Stage1에서 수행되는 Region Proposal에 관한 질문인데요! Stage1에서 약 2000개의 Region Proposal 들이 수행되는데 이것들이 Stage2의 Feature Extractor로 들어가 각 Region Proposal의 특징들을 추출해 Feature map을 완성시키잖아요!? 이 때 강의에서 선생님께서 설명해주셨다시피 Feature Extractor에 따라 Region Proposal의 각기 다른 사이즈를 하나로(강의에서는 아마 257 by 257 이였나.. 그랬을 겁니다..!) 통일 시켜주어야 한다고 하셨잖아요!?  그렇다면 이 Region Proposal들의 사이즈를 통일시켜주는 것은 Feature Extractor가 무슨 종류인지에 따라 달라지는 거겠죠? 제가 Alex net일 때 들어가야 하는 사이즈가 몇이고 VGG일 때는 몇이고 또 다른 CNN모델들은 몇 사이즈여야 한다는 것을 잘 몰라서요! 만약 서로 다르다면 어느정도 통일시켜주는 사이즈 범위가 있을까요? 예를 들어 250~300 사이로 한다던가...  답변 부탁드리곘습니다! 질 좋은 강의에 감사인사드립니다 :)