Bull

개념 Digital Image Processing (Rafael C . Gonzalez , Richard E. Woods) 책에서 제시한 바에 따르면 명도 변환을 위해 기존의 픽셀 값은 다음과 같은 공식을 적용할 수 있다. $${s=cr^γ}$$ 여기서 c와 γ는 내가 정해줄 상수이다. $c$는 상수이고 $γ$값을 조절할 때 input-output 관계는 위 사진같은 그래프를 따른다. $γ$ = 1을 기준으로, $γ$ > 1은 밝아지고 $γ$ < 1은 어두워진다. 또한, $γ$값이 너무 커 범위 255를 넘어버리면 uint8()로 인해 최대 255값을 나타낸다. 어떤 $c$와 $γ$값이 최적화된 값인지는 잘 모르겠지만 보통 $c=1$ 상태에서 $γ$를 조절해주는 것이 일반적인 것으로 보인다. 사진 생성형..

negative image를 만들 것이다. 이 방법은 정말 쉽다. 미리 말하자면 1차원 흑백사진의 총 길이 255에서 값을 빼주면된다. 준비 다음과 같이 흑백이된 사진을 준비한다. 흑백 만들기 스크립트 gray_awakening_frieren.m img = imread("awakening_frieren.jpg"); grayscale_img = uint8(mean(img,3)); imshow(grayscale_img) Negative Image 위의 흑백 만들기 스크립트에서 한줄이 추가 됐기 때문에 바로 스크립트로 보일 것이다. negative_awakening_frieren.m img = imread("awakening_frieren.jpg"); grayscale_img = uint8(mean(img,3..

오늘 수업시간에 배운 MATLAB으로 컬러사진을 흑백으로 만들기를 해볼 것이다. 사진: 변경 전 - 변경 후 설명 업로드 우선 작업공간의 디렉토리에 아무 사진을 올려준다. imread("파일명") >> img = imread("dog.jpg"); 함수명을 보면 알 수 있듯이 이미지를 배열에 담아 변수로 저장한다. "값" 필드를 보면 1000x750x3인 걸 알 수 있는데 여기서 3은 RGB 채널의 수이다. 그리고 RGB는 (0~255, 0~255, 0~255)로 표현할 수 있기 때문에 uint8(unsigned int 8bit)로 표현이 된다. (즉 양수 8bit) 따라서 영상(이미지)이 bit(pixel?)세계에서는 3차원으로 간주할 수 있는 것이다. 흑백 만들기 흑백을 만들기 위해 3채널 구조에 대해..

형식 function 리턴변수 = 함수이름(인자) ... ... ... end 예시 function y = myFunction(x) y = x^2; end 규칙 - 파일명과 함수명이 반드시 동일해야 한다! (이걸 몰라서 애먹었다) 프롬프트에 작성 결과 >> myFunction(4) ans = 16

그냥 갑자기 할짓없이 딥러닝 관련 책보다가 계속 소프트맥스 적용시키는 거 보고 생각나서 써봤다.......... ...... ...... ...... ...... ...... ...... ...... ...... ...... ...... ......

개념 그래프는 데이터 구조의 하나로서, 여러 개의 정점(Vertex)과 이들을 연결하는 간선(Edge)으로 구성된다. 그래프는 사회 네트워크, 인터넷 연결, 도로망 등 다양한 시스템을 모델링하는 데 사용된다. 그리고 간선을 나타낼 때는 단방향, 양방향을 고려할 수 있다. 가장 일반적인 두 가지 방법은 인접 리스트(Adjacency List)와 인접 행렬(Adjacency Matrix)을 사용하는 것이다. 예시 위와 같은 그래프는 다음과 같이 설명할 수 있다. (양방향이라 할때) $0$ → 1,4 0은 1,4로 연결되어있다. $1$ → 0,2,3,4 1은 0,2,3,4와 연결되어있다. $2$ → 1,3 2는 1,3과 연결되어있다. $3$ → 1,2,4 3은 1,2,4와 연결되어있다. $4$ → 0,1,3 ..

개요 ResNet(Residual Network)은 깊은 신경망의 학습을 용이하게 만들기 위해 개발된 아키텍처다. 이 모델은 2015년에 Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun에 의해 개발되었으며, "Deep Residual Learning for Image Recognition"이라는 논문을 통해 소개되었다. ResNet은 깊은 신경망이 가지는 주요 문제점 중 하나인 기울기 소실 문제를 해결하는 데 초점을 맞춘다. 핵심 개념 잔차 블록(Residual Blocks) ResNet의 핵심은 "잔차 블록"이라고 불리는 구조에 있다. 그림과 같이 잔차를 기준으로 다시 학습하고, 그것을 원본에 더한다고(스킵연결) 생각하면 된다. $H(x)=F(x)+x$를 만족하..

개념 C++에서 람다 식은 익명 함수를 생성하기 위한 간결한 방법을 제공한다. C++11부터 도입된 람다는 런타임에 정의되며, 주로 알고리즘에서 콜백 함수를 제공하거나, 스코프 내의 변수를 캡처하여 사용하는 용도로 활용한다. 람다 식의 기본 구조 바로 호출하는 경우 [캡처](매개변수 목록) { // 함수 본문 }(인자들); 초기화하는 경우 변수 = [캡처](매개변수 목록) -> 반환 타입 { // 함수 본문 // return ~; }(인자들); [](){}()로 외우면 편하다. 캡처 목록 람다가 외부 스코프의 변수를 사용할 때, 그 변수들을 어떻게 캡처할 것인지를 정의한다. 값으로 캡처할지([=]), 참조로 캡처할지([&]), 혹은 특정 변수만 선택적으로 캡처할지([x, &y]) 결정할 수 있다. 매개변..

개념 하이퍼파라미터는 기계학습 알고리즘의 성능을 조절하는 데 사용되는 외부 설정 값이다. 즉, 모델을 정할 때 우리가 입력하는 값들이라고 생각하면 쉽다. 이러한 하이퍼파라미터는 학습 과정에 직접적으로 관여하지 않고, 대신 알고리즘의 구조(예: 복잡성)와 학습 과정(예: 속도)을 조절하다. 기계학습 모델의 성능을 최적화하기 위해서는 적절한 하이퍼파라미터를 선택하고 조절하는 과정이 필요하다. 이해가 잘 가지 않는다면 예시에 나온 키워드들을 하이퍼 파라미터라고 생각하는 게 좋다. (나도 잘 이해가지 않기 때문에 "예시에 나온것들이 하이퍼 파라미터구나" 정도로만 이해 중..) 하이퍼 파라미터 예시 학습률(learning rate) 학습률은 모델이 학습하는 속도를 결정한다. 너무 높으면 학습 과정에서 발산할 수 ..

개념 앙상블 기법은 여러 개의 학습 알고리즘을 조합하여 더 좋은 예측 성능을 얻기 위한 방법이다. 단일 모델만 사용할 때보다 더 안정적이고, 높은 성능을 달성할 수 있다. 즉, 한 명의 전문가 보다 일반인 여러명에서 더 좋은 결과를 낼 수 있다. 주요 Ensemble 알고리즘 종류 1. Bagging (Bootstrap Aggregating) 배깅(Bagging, Bootstrap Aggregating의 약자)은 복원 추출(즉, 한 번 선택된 샘플을 다시 선택할 수 있음)을 통해 여러 개의 데이터셋을 생성하고, 각각의 데이터셋에 대해 독립적으로 모델을 학습시킨 후, 그 결과를 통합하여 최종 결정을 내리는 방법이다. 배깅은 특히 결정 트리(Decision Tree)와 같이 높은 분산을 가지는 알고리즘의 과..

Confusion Matrix Model : Classification(분류) Confusion Matrix(혼동 행렬)은 분류 문제에서 모델의 성능을 평가하는 데 사용되는 테이블이다. 실제 값과 모델이 예측한 값을 기반으로 구성된다. 분류 모델이 각 클래스를 얼마나 잘 혹은 못 분류했는지를 보여준다. True Positive (TP) 모델이 긍정적인 클래스를 정확하게 긍정으로 예측한 경우의 수 True Negative (TN) 모델이 부정적인 클래스를 정확하게 부정으로 예측한 경우의 수 False Positive (FP) 모델이 부정적인 클래스를 잘못해서 긍정으로 예측한 경우의 수(Type I error라고도 불림) False Negative (FN) 모델이 긍정적인 클래스를 잘못해서 부정으로 예측한 ..

Icon을 속성없이 단독으로 사용하는 경우 ExpansionTile( title: Text('Icon'), ... iconColor: themeColors[1], ... leading: Icon(Icons.folder), ), ExpansionTile 아니라도 leading 속성에 사용하면 보통 앞부분에 아이콘으로 꾸며줄 때 사용한다. 대충 이런 식으로. Icon을 속성적용하여 사용하는 경우 : Button Container( ... child: IconButton( onPressed: () { // }, icon: Icon( Icons.library_add, color: const Color.fromARGB(255, 65, 65, 65), ), ), ), 매우 직관적이고 좋다. IconButton 위젯..