파이톨치

1. HTTP란 무엇인가?정의HTTP는 인터넷 세상의 언어라고 생각하면 돼요. 클라이언트(요청하는 사람, 예: 배달 앱)와 서버(응답하는 사람, 예: 가게)가 서로 대화할 수 있게 도와주는 규칙입니다.예시로 이해하기클라이언트: "저는 피자를 주문하고 싶어요!" (HTTP 요청)서버: "알겠습니다! 피자 준비 중입니다." (HTTP 응답)피자가 준비되면 서버가 응답을 보내요: "피자 배달 완료! 🍕"특징비연결성: 배달이 끝나면 연결을 끊습니다. 배달 앱과 가게가 계속 연결되어 있진 않아요.무상태성: 가게는 “누가 예전에 피자를 시켰는지” 기억하지 않아요. 매번 새로 주문해야 합니다.2. REST API란 무엇인가?정의REST(Representational State Transfer) API는 HTTP를 ..

Segmentation 오답노트Pixel-Wise Classification이는 이미지를 픽셀 단위로 분류하는 작업이다. 한 픽셀이 어떤 클래스에 들어가는지 예측하는 것이다. 대표적으로 세그멘테이션이 이러한 Pixel-wise classification으로 볼 수 있다. 대표적으로 FCN 모델이나 U-NET 모델이 있다. CNN 파라미터 계산 및 Stride의 영향생각보다 계산을 하는 상황이 있을 수도 있고, 전문가라고 한다면 이 정도는 가볍게 계산할 수 있어야 한다. output의 size는 kernel_size, stride, padding으로 계산이 된다. kernel_size는 빼주고, padding은 2곱해서 더해준다. stride로 나누어 주고 1을 더해주면 된다.  Run-Length-Enc..

모델 학습에서 일관된 실험 관리와 성능 향상을 위해 고려해야 할 중요한 요소들을 정리했습니다. 이 글에서는 seed 고정, 실험 기록, k-fold와 augmentation, 그리고 TTA 활용법 등 효과적인 실험 관리와 모델 최적화 전략을 다룹니다. 1. Seed 고정: 실험의 재현성을 보장머신러닝 실험에서 가장 중요한 원칙 중 하나는 **재현성(reproducibility)**입니다. 모델 학습에서 발생할 수 있는 난수를 제어하기 위해 seed 값을 고정해야 합니다. 이를 통해 학습 과정에서 동일한 초기값으로 시작하여 결과를 비교 분석할 수 있습니다.import torchimport numpy as npimport randomdef set_seed(seed: int): torch.manual_s..

U-Net생긴 것부터 U자 모양으로 생긴 모델이다. 이름은  u-net이라고 하며 데이터를 축소시켰다가 up-sampling하면서 키운다. 의료 분야에서 효과적이라고 알려져있을뿐만 아니라, 일반적인 segmentation에서도 효과적이라고 한다. 인코더의 층을 디코더의 층에 concatenate 해주게 된다. 일종의 skip-connection이다.  resolution 크기가 안 맞는 경우에는 crop을 해서 맞추어준다.  단순화된 구조를 보면 다음과 같다.  중간에 있는 Conv 블록은 다음과 같이 구성된다.def CBR2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1, bias = True): return nn.Sequential(..

Semantic Segmentation Overviewsegmantic segmentaion이란 의미론적인 분할로 직역된다. 이는 픽셀 단위로 이 픽셀이 어떤 클래스에 속할지 판단하는 문제이다. 예시는 아래 그림과 같다. 이미지가 픽셀로 들어가면 그 픽셀이 어떤 클래스에 속할지 예측한다. 클래스만 예측하면 Semantic Segmantation 이라 하고, 클래스 별 객체까지 구분하면 Instance Segmentation이라고 한다. 우리가 다루어 볼 것은 클래스만 예측하는 task이다. 이러한 의미론적인 분할은 많은 분야에서 활용될 수 있고, 우리가 집중적으로 볼 것은 이것을 의료분야에 어떻게 활용하는가이다. 다음과 같은 사람 손에 대한 x-ray 이미지가 있을 떄, 각각의 뼈를 예측하는 모델을 만들..

1. FCN의 한계점1. 객체의 크기가 크거나 작은 경우 예측을 잘 하지 못하는 문제큰 Object의 경우 지역적인 정보만으로 예측 • 버스의 앞 부분 범퍼는 버스로 예측하지만, 유리창에 비친 자전거를 보고 자전거로 인식하는 문제 발생하기도 함 • 같은 Object여도 다르게 labeling • 작은 Object가 무시되는 문제가 있음2. Object의 디테일한 모습이 사라지는 문제 발생Deconvolution 절차가 간단해 경계를 학습하기 어려움 DilatedNetArchitecture – DilatedNet (Only Front-End Module) DilatedNet(또는 확장 합성곱 신경망)의 주요 특징과 이점을 설명하겠습니다: 수용 영역(Receptive Field) 확장   일반 CNN은 po..

단순 시각화 겹치는 영역 확인  흑백 반전 후 외곽선 추출 이미지 이진화 (th: 100) 이미지 이진화 (th: 170)

Fully Convolutional NetworkFCN(Fully Convolutional Network) 개요FCN은 전통적인 CNN 구조를 변형하여 입력 이미지와 같은 크기의 출력(즉, 각 픽셀의 클래스 레이블)을 생성합니다. 일반적인 CNN과 달리 FCN은 완전 연결 층(Fully Connected Layer)을 사용하지 않으며, 이를 통해 입력 이미지의 해상도를 유지한 채로 픽셀 수준의 예측이 가능하도록 만듭니다.주요 구조와 동작 원리VGG 네트워크 백본 사용FCN은 기본적으로 이미지의 특징을 추출하기 위한 네트워크(백본)로 VGG 네트워크를 사용합니다. VGG는 다양한 계층을 통해 이미지의 시각적 특징을 추출하는 데 강력하며, 깊고 넓은 계층 구조로 인해 다양한 해상도에서 유용한 특징을 학습할 ..