전체 글

[인프런 워밍업 클럽 1기 BE] 1일차 미션 - 어노테이션(Annotation)

어노테이션을 사용하는 이유 (효과) 는 무엇일까?나만의 어노테이션은 어떻게 만들 수 있을까?1. 어노테이션(Annotation)사전적 정의는 주석이라는 뜻으로 @ 기호를 사용한다.소스코드 안에 다른 프로그램을 위한 정보를 미리 약속된 형식으로 포함시킨 것이다. 주석과 유사하게 프로그램에 영향을 미치지 않으면서 유용한 정보를 제공하고 의미를 부여하는 것이다. 2. 어노테이션을 사용하는 이유불필요한 반복을 줄여 간결함 -> 코드량 감소, 효율성 증대컴파일러에게 코드 문법 체크하도록 정보 제공빌드나 배치 시 코드를 자동으로 생성할 수 있도록 정보 제공런타임 시 특정 기능을 실행하도록 정보 제공 3. 사용자 정의 어노테이션(Custom Annotation)public @interface NewAnnotation..

[프롬프트] 생성형 AI 입문 완성강의 후기_(이론 및 기능 활용법)

생성AI에 관심을 가지고 있었는데..! 메타코드에서 생성 AI 강의가 있다는 것을 알게되어서 수강할 수 있는 기회를 얻게되었습니다 !! 생성 AI란? 생성형 인공 지능(생성형 AI)은 대화, 이야기, 이미지, 동영상, 음악 등 새로운 콘텐츠와 아이디어를 만들 수 있는 AI의 일종입니다. AI 기술은 이미지 인식, 자연어 처리(NLP), 번역과 같이 새로운 컴퓨팅 작업에서 인간 지능을 모방하려고 시도합니다. 생성형 AI는 인공 지능의 다음 단계입니다. 인간 언어, 프로그래밍 언어, 예술, 화학, 생물학 또는 복잡한 주제를 학습하도록 AI를 학습시킬 수 있습니다. AI는 학습 데이터를 재사용하여 새로운 문제를 해결합니다. 예를 들어, 영어 어휘를 학습하고 이를 처리하는 단어로 시를 지을 수 있습니다. 귀사 ..

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

두 개의 도메인에 대해서 이미지를 변환할 수 있는 모델로, 이미지로 구성된 두가지 데이터 셋이 있을 때 한 데이터셋의 이미지들을 다른 데이터셋의 스타일로 변환 1. Introduction "What if Monet had happened upon the little harbor in Cassis on a cool summer evening ?" paired input-output 데이터없이 짝이 맞지 않는(unpaired) 데이터를 사용하여 두 이미지 도메인 간의 변환을 학습하는 방법을 찾아냄. 일반적으로 번역할 때 "cycle consistent(주기 일관성)" 있어야 한다는 속성을 이용하는데, 예를 들어 영어에서 프랑스어로 문장을 번역한 다음 프랑스어에서 영어로 번역을 다시 번역하면 원래 문장으로 돌..

Human-level Control Through Deep Reinforcement

강화학습 알고리즘을 deep neural network에 연결 SGD 업데이트를 통해 학습 데이터(RGB images)를 효과적으로 process함 이 논문은 강화 학습을 위한 새로운 딥 러닝 모델을 소개하고 raw 픽셀만 input으로 사용하여 Atari 2600 컴퓨터 게임에 대한 어려운 policy control을 마스터하는 능력을 보여줌. 또한 확률적 미니배치 업데이트와 experience replay memory를 결합하여 RL에 대한 deep neural network 학습을 용이하게 하는 Online Q-learning의 변형을 제시함. 논문의 접근 방식은 아키텍처나 하이퍼파라미터를 조정하지 않고 테스트 한 7개 게임 중 6개에서 최첨단 결과를 제공 1. Experience Replay Me..

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

1. Region proposal Networks(RPN) RPN의 목적: object가 있을 법한 영역만 찾는 방법 RPN은 Faster R-CNN에서 활용되었는데, Faster R-CNN의 목표는 selective search 없이 RPN을 학습하는 구조로 모델을 만드는 것RPN은 feature map을 input으로, RP를 output으로 하는 네트워크라고 할 수 있고, selective search의 역할을 온전히 대체 RPN(Region Proposal Networks)은 크기에 상관없이 이미지 전체를 입력 받고 영역 추정 경계 박스를 반환한다. 각 경계 박스는 객체가 있는지의 여부를 점수로 나타낸다. RPN은 영역 추정 경계 박스를 만들기 위해, 슬라이딩 윈도우 방식을 적용한다. 즉, RPN..