분류 전체보기 (53) 썸네일형 리스트형 Fast R-CNN과 Faster R-CNN single stage라서 전체 네트워크를 한번에 업데이트 가능하다는 점에서 의의가 있다. 과정 1. input으로 이미지와 region proposal(selective search를 통한) 2. conv feature map을 생성한다. 3. RoI pooling layer을 통과한다.(고정된 feature vector 생성을 위해) 4. fc layer 지난 뒤 5. multi task로 softmax(어떤 물체인가?), bounding box regression(위치 상세 조정)이 한번에 진행 RoI pooling layer RoI 영역에 한하여 max pooling을 통해 feature map으로부터 고정된 길이의 저차원 벡터로 축소 faster r-cnn selective search(cpu로.. R-CNN 과정 1. input 이미지를 넣는다. 2. selective search를 통해 약 2000개 정도의 bounding box에 대한 region proposal을 받는다. 3. 이후 fully connected layer에 고정된 사이즈로 input이 들어가야 하기 때문에 cnn input때부터 아예 warp를 통해서 제각각 사이즈인 후보 상자들을 억지로 227*227 사이즈로 변형시킨다. 4. CNN을 통과하여 feature vector이 나온다. 5-1. feature vector을 가지고 각 클래스 별로 svm classifier을 학습시킨다. 객체인가, 객체라면 어떤 물체일 확률이 높은지에 대한 score을 갖게 된다. 5-2. feature vector을 가지고 bounding box regr.. CNN fully connected layer 들어가기까지 feature extractor conv layer, ReLU, pooling regional pattern들을 이미지로부터 뽑는다. 고정된 정사각형 크기로의 input으로 맞춰야 한다. 고정된 사이즈로 맞추면서 비율이 왜곡되고 일부분이 잘리고 본래 생김새와 달라지게 된다. 컬러 이미지의 경우 shape이 (a, a, 3)인데 RGB 때문에 depth가 3이 되는 것이다. 흑백이미지인 경우에는 depth가 1이다. 이미지는 항상 깊이값보다 width와 height 값이 더 크다. 이를 cnn 아키텍쳐를 통해서 depth 값이 더 커지는 것을 목표로 한다. conv layer을 통해서 depth가 증가하게 되고(곧 filter의 갯수가 depth에 영향을 준다는 것이 자연스러운 일이다), max pooli.. [NodeJS]요청 라우팅하기 POST 방식으로 전달 방법이다. app.js var express=require('express'); var http=require('http'); var static=require('serve-static'); var path=require('path'); var bodyParser=require('body-parser'); var app=express(); var router=express.Router(); app.set('port',3000); app.use(static(path.join(__dirname, 'public'))); app.use(bodyParser.urlencoded({extended:false})); app.use(bodyParser.json()); //아래 요청패스로 들어온 것.. [백준] 10870 피보나치 수 5 - 재귀함수, DP #include using namespace std; int fibo(int n) { if (n > num; cout 메모이제이션 이를 사용하게될 시, 시간복잡도가 O(N)이 된다. 약간의 공간을 할당함으로써 연산량이 어마어마하게 줄어들게 되는 것이다. #include using namespace std; int memo[20]; int fibo(int n) { if (n > num; cout 이전 1 ··· 4 5 6 7 다음
