VVNN

cd ../../../D/MITSLAB/2021/project git clone https://github.com/kmjthe/US-nerve-segmentation.git git status git init git add 파일.py git status git commit -m "파일.py" git remote add origin https://github.com/kmjthe/US-nerve-segmentation.git git remote -v git push

validation data : 모델 성능을 모니터링하기 위해 1 epoch이 끝나면 validation data에서 loss와 metric을 출력 fit 함수의 validation_split 파라미터 : 주어진 데이터셋을 얼마의 비율로 나눠서 train set과 test set으로 사용할 지 결정 주어진 데이터셋 1000개일 때 validation_split = 0.2 -> 훈련 셋 800개 / 테스트 셋 200개 model.fit(imgs_train, imgs_mask_train, batch_size=32, epochs=20, verbose=1, shuffle=True, validation_split=0.2, callbacks=[model_checkpoint]) sklearn 라이브러리의 train_..

보호되어 있는 글입니다.

보호되어 있는 글입니다.

텐서, Tensor 0차 텐서, Tensor of rank(차원의 개수 =degree =order) 0 : 스칼라(Scalar) - 크기만 나타내는 1개의 성분 ex) [1] 1차 텐서, Tensor of rank 1 : 벡터(Vector) - 크기와 1개의 방향을 나타내는 3개의 성분 ex) [1,1] 2차 텐서, Tensor of rank 2 : 행렬(Matrix)/다이애드(Dyad) - 크기와 2개의 방향을 나타내는 9개의 성분 ex) [[1,1],[1,1]] ... n차 텐서(n > 2) : matrix의 집합. 3차원부터 시작. 0. Scalar 1,2,3와 같이 차원없이 원소만 존재. 방향도, 위치도, 차원도 없음. 1,2,3이든 2,1,3이든 똑같음. 1. Vector [1,2,3]와 같은 ..

pos_mask = [] pos_img = [] neg_mask = [] neg_img = [] for mask_path, img_path in zip(train_mask, train_image): mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE) if np.sum(mask) == 0:# if 배열 요소의 합 = 0 -> detection하려는 개체가 없음 neg_mask.append(mask_path) neg_img.append(img_path) else: pos_mask.append(mask_path) pos_img.append(img_path) negative -> detection하려는 객체가 없는 샘플들. 오답이 오답인 이유를 알기 위해 positive ..

K-Fold Cross Validation Method : k개의 fold를 만들어 진행하는 교차 검증 사용 이유 1) 총 데이터 갯수가 적은 데이터셋에 대해 정확도를 향상시킬 수 있음. 2) 기존의 Training / Validation / Test 세 개의 집단으로 분류하는 것보다 Training / Test 로만 분류했을 때 학습 데이터셋이 더 많기 때문. 3) 데이터 수가 적은데 검증과 테스트에 데이터를 더 뺏기면 underfitting 등 성능이 미달되는 모델이 학습됨. 과정 1) 기존처럼 training과 test셋으로 나눈다. 2) training 셋을 k개의 fold로 나눈다. 3) 1개의 fold에 있는 데이터를 k개로 쪼갠다음, (k-1)개는 training data로 1개는 valid..

pixel-wise : 한 이미지의 개별 픽셀에 대한 의미있는 class pair-wise : 학습 class에서 최대화된 데이터 유사성 unary terms : class 모델 or one class 분류 / 모든 class의 통계만 값을 가짐. Seg-Net : pixel-wise semantic segmentation을 위한 fully convolutional neural network architecture. 의미 정보를 포함한 class 단위로 분할. 같은 class instance는 구별하지 않음. 어떤 물체인지(what), 어디에 있는지(where). Seg-Net 구성 Encorder Network : VGG16(16층의 모델)의 13개 Convolution Layer 이용(FCL 제외)...

Loss Function 손실 함수 정답값(y)과 예측값(y')을 입력으로 받아 함수값이 최소화되는 가중치(weight)와 편향(bias)을 찾는 것이 목표. 정답과 예측값의 간격(=차이)를 최대한 줄이는 방향으로 값을 대입한다. 이때, 값의 차이를 loss라고 하여 이 loss를 줄이는 방향으로 학습하게 된다. 모델 성능을 결정하는데 있어 필수적인 역할. * 학습 종류에 따른 손실함수 이용 Regression(회귀) - MSE - MAE - MSLE - MAPE - KLD - Poisson - Logcosh - Cosine Similarity - Huber Classification(분류) - Binary cross-entropy - Categorical cross-entropy - Sparse cat..