이전 강의 Supervised Learning (Classification) Unsupervised Learning (GAN ...) Reinforcement Learning: agent의 보상을 최대화할 수 있는 행동이 무엇인지 학습 Agent: 환경(enviroment)에서 행위(action)를 하는 주체, 행위에 따라 보상(rewards)을 받는다. Overview Reinforcement Learning? Markov Decision Precesses Q-Learning Policy Gradients Reinforcement Learning Reinforcement에는 agent, environment 존재 environment가 agent에게 state을 제공 agent가 action을 취함 해..
Overview CNN을 이해하기 위한 다양한 레벨에서의 시각화 방법을 살펴본다. Activation map: Nearest neighbors, Dimensionality resuction, maximal patches, occlusion Gradient: Saliency maps, class visualization, fooling images, feature inversion Fun application: DeepDream, Style transfer Visualize Filters/kernels CNN은 입력에 대해 어떻게 동작할까? First Layer: Visualize Filters First layer는 입력과 바로 닿아있기 때문에, fist layer의 filter를 시각화하면 이 필터가 ..
Overview Unsupervised Learning Generative models: PixelRNN and CNN, VAE, GAN Unsupervised Learning (비지도 학습) label 없이 학습 데이터만으로 데이터에 숨어있는 구조를 학습하는 방법 ex) Clustering, dimensionality reduction, feature learning(Autoencoders), density estimation Supervised learning Unsupervised learning Data x: data, y: label just data Goal x->y로 맵핑하는 함수를 학습 데이터에 숨겨진 구조를 학습 Example classification, regression, object..
[출처 - 강의] 컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석 - DGIST 박상현 교수 1. Introduction to medical image analysis 4. PACS/DICOM/Visualization PACS (Picture Archiving and Communication System) 의료 장비에서 취득한 Acquisition Modlity(e.g MRI, CT, X-ray)를 DICOM image로 변환해 PACS에 저장한다. (중앙 서버) PACS와 연결된 개인 호스트에서 DICOM image를 시각화해서 볼 수 있다. DICOM (Digital Imaging and COmmunications in Medicine) - RSNA 방사선 학회에서 1990년대에 지정한 medic..
논문 - Mask R-CNN, Kaiming He, Georgia Gkioxari, Piotr Dollar, Ross Girshick, Facebook AI Research (FAIR) 1. Motivations/Problems Instance segmentation Image segmentation은 semantic segmentation과 instance segmentation 두 종류가 있다. Semantic segmentation: 같은 클래스를 같은 영역으로 분류 Instance segmenation: 같은 클래스라도 다른 인스턴스로 분류 이처럼 Instance segmentation은 이미지 안의 모든 object를 감지하고, 각 인스턴스로 정확히 분류해야 하기 때문에 까다로운 분야이다. 기존..
논문 - U-Net_Convolutional Networks for Biomedical Image Segmentation, laf Ronneberger, Philipp Fischer, and Thomas Brox (arxiv.org/abs/1505.04597) 1. Motivations/Problems DCNN은 classification 분야에 많이 사용되고 좋은 성능을 보여준다. 하지만 DCNN을 Biomedical semantic segmentation에 DCNN을 적용하는데 문제가 있다. 1. Biomedical image 처리는 네트워크의 결과로 픽셀 레벨의 localization을 요구한다. 즉 각 픽셀당 class label이 할당되어야 한다. 2. biomedical 분야에서 충분한 훈련 ..
논문 - SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED CRFs, Liang-Chieh Chen, George Papandreou, Iasonas Kokkinos, Kevin Murphy, Alan L. Yuille (arxiv.org/abs/1412.7062) 1. Motivations/Problems DCNN은 image classification과 object detection에서 좋은 성능을 보여준다. 하지만 Semantic segmentation에 DCNN을 적용하는데 두 가지 기술적 한계가 존재한다. 1. Signal downsampling: 기존 DCNN의 각 계층(max-pooling, downsam..
논문 - Going deeper with convolutions, Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir, Dumitru Erhan Anguelov, Vincent Vanhoucke, Andrew Rabinovich (arxiv.org/abs/1409.4842) Abstract ImageNet Large-Scale Visual Recognition Challenge 2014 (ILSVRC14)에서 classification과 detection을 위한 최첨단 기술 Inception, deep convolution neural network architecture,를 제안한다. 이 아키텍쳐의 주요 특징은 ..
