2주차

논문 리뷰

계획

오마카세(Segmentation)

결과

segmentation

: 영역을 분할해서 보는 것 == 누끼 따는거랑 같은 느낌

—> 이미지 데이터를 픽셀별로 segmentation 하는 느낌

1. 픽셀별로 classification을 하는 방법
2. —> 28*28 이미지 데이터가 입력되면 이 이미지의 픽셀들을 독립적으로 classification을 하는 방법임

—> segmentation은 픽셀별로 classification을 하기 때문에 upsample을 통해 다시 사이즈를 입력 이미지와 같게 만들어줌.

UNet

: AE(Auto Encoder)에 skip connection을 추가해서 얕은 정보와 깊은 정보를 다 잘 학습할 수 있게 한 구조

모델 구조 : max-pool → conv → up-sampling 순서로 되는데 Depth-wise Separable Convolution 을 사용하면 경량화 가능함.

출력 클래스 지정 법 : 클래스가 2개 → channel : 1, 이 외의 경우에는 클래스가 3개면 c = 3, 4개면 c = 4….

x값은 0~255 사이의 값 → unint8을 사용하기 때문에

y데이터가 0~1 사이면 sigmoid (독립 사건이면 사용 or 클래스가 1개인 경우) or softmax(클래스가 여러개인 경우 사용) —> SAR에서는 sigmoid(이진 분류 문제라서)

그렇지 않고 regression인 경우 대부분 linear를 사용, 음수가 없는 경우는 Relu,Abs 사용

sigmoid - Binary Cross Entropy (YlnY^ - (1-Y)ln(1-Y^))

softmax - Categorical Cross Entropy or SCCE

Linear - MSE, MAE, RMSE

임베딩 : 정보를 함축시켜서 작게 만드는 것.

<Metric>

classification : accuracy를 사용 acc = TP + (TN) / (TP + FP + FN + TN)

regression : precision, recall, mIOU

precision : TP/ (TP+FP)

recall: TP/(TP+FN)

이 둘은 tradeoff 관계를 가진다.

f1 score → precision + recall 을 종합적으로 보는 것

• 2024 8