* 공부/취미용으로 작성하였기 때문에 자세하지 않고, 본 내용에 오류가 있을 수 있습니다. 이미지에서 사물의 크기가 크거나 이미지 해상도가 큰 등의 이유로, 전체적인 특성을 잡기 위해 필터의 크기를 키워야 할 때가 있다. 필터의 크기가 너무 크면, 연산량이 많아져서 너무 부담스럽다. 그래서 pooling 연산을 통해 이미지 크기를 줄이고, 작아진 이미지에 conv 연산을 수행했다. 하지만, 이러면 당연히 기존 정보의 손실이 일어나기 때문에, Dilated Convolution이라는 새로운 방식이 나왔다. Dilated Convolution은 Conv필터 내부에 Zero값을 추가해서 Receptive field를 늘리는 방식이다. 이렇게 하면, 입력 이미지를 줄일 필요도 없으며, 연산량이 증가하지도 않는다..

우연히 YOLO를 공부하다 다음과 같은 동영상을 보게 되었다. 전반적인 퍼셉트론 내용도 다루고 있는데, 거기서 Sigmoid함수를 왜 쓰지 않는지 이유를 알 수 있었다. https://youtu.be/u0eT7VZAgRw 이유는 간단하다. sigmoid함수의 도함수(미분한 것)의 최대값이 1/4인데, (위의 그림 참고) 이것이 하나의 층으로 이루어 진 것이면 괜찮지만, 여러개의 층인 모델의 경우, input layer쪽으로 역전파 할수록, 1/4 * 1/4 = 1/16 .... 1/16 * 1/4 = 1/64... 이런식으로 점점 영향력이 작아진다는 문제점이 있다. 그래서 이런 문제점을 해결하려면 도함수의 최대값이 1인 Activation 함수를 사용해야 한다. 그런 함수에는 Tanh이나 Relu같은 함..

사물인식을 하다보면 아래의 사진처럼 하나의 Object를 여러개의 Box로 인식하는데, 이것을 해결하는 방법 중 하나가 NMS(Non Maximum Suppression) 기법이다. 방법은 다음과 같다. 1. 모든 인식된 Box들을 score으로 오름차순 정렬한다. 2. 정렬한 순서대로 Box의 IOU값을 구한 뒤, 일정 값 이상이면 Box를 지운다. (보통 0.5) IOU는 intersection of union의 약자로, 다른 box와 겹치는 비율을 구한 값이다. 아무튼 위의 NMS 방식을 이용하면, Score가 낮으면서 IOU값이 높은 Box는 삭제되고. (같은 Object를 Detection했을 때 삭제) Score가 높으면서 IOU값이 낮은 Box만 남게 된다.(같은 Object를 Detecti..