공대생 도전 일지

edge는 명암, 휘도 등이 급격하게 변하는 곳 입니다.만약 물체가 동일한 색 이라면 경계의 색 차이가 크게 나지 않겠지요 ..그래도 색 차이가 큰 곳에서는 대부분 경계가 잘 드러납니다.x,y에 대한 기울기를 통해 구할 수 있습니다.우리는 영상을 사용하므로 딱딱 끊어져 있으므로 center를 통해 구할 수 있습니다.임계값보다 크면 edge로 판단할 수 있는데 이 임계값이 문제네요threshold값을 보면 엄청 작은 것을 알 수 있다.threshold값을 넘는 것을 edge로 보고 확실하게 표시하도록 하겠다.오............ㅠ......엣지를 잘 따는 것 같기는 한데....노이즈가 슬슬 끼네요....어우 무섭네...원본 edge가 이정도인걸 보면 그래도 많이 살렸네요흠....이건 그래도 저장 했으니..

1. 다음 문장의 빈칸에 들어갈 가장 적절한 단어를 고르시오. “스타일 전송은 _______라고 하는 한 이미지의 예술적 특성을 다른 이미지의 콘텐츠인 ________와 병합하는 이미지 생성 내의 기술이며, 그 결과 한 이미지의 콘텐츠와 다른 이미지의 스타일 특성이 결합된 새로운 이미지가 생성함”하나를 선택하세요.1.스타일소스, 콘텐츠 타깃2.스타일 패턴, 콘텐츠 이미지3.스타일 이미지, 콘텐츠 이미지4.스타일 요소, 콘텐츠 형태이 문장에서는 한 이미지의 예술적 특성(스타일)을 다른 이미지의 콘텐츠와 병합하는 과정을 설명하고 있습니다. 이때 사용되는 표현으로 적합한 것은 '스타일 이미지'와 '콘텐츠 이미지'입니다. 따라서 문장을 완성하기에 가장 적합한 선택지는 다음과 같습니다:“스타일 전송은 스타일 이미..

가짜 식별 네트워크는 디지털 콘텐츠의 진위를 판별하는 데 중요한 역할을 합니다. 이 기술은 다양한 응용 분야에서 활용되고 있으며, 여러 도전과제와 한계를 가지고 있고, 윤리적인 고려 사항도 수반됩니다.응용보안 및 감시: 가짜 식별 네트워크는 사기 방지, 보안 시스템에서 신분 확인 및 접근 제어 등에 활용될 수 있습니다.미디어 및 엔터테인먼트: 딥페이크 비디오와 이미지를 탐지하여 공공의 혼란을 예방하고 유명인의 이미지를 보호합니다.뉴스 및 정보: 가짜 뉴스와 조작된 콘텐츠를 탐지하여 미디어의 신뢰성을 높이고 정보의 정확성을 보장합니다.법 집행 및 법적 문제: 범죄 현장의 조작된 증거를 식별하거나, 법정에서 증거로 제출된 자료의 진위를 판별하는 데 사용됩니다.도전 과제고도의 리얼리즘: 생성 알고리즘, 특히 ..

fake detection == 가짜 식별 = 식별도 gan으로 한다.가짜 식별을 위한 네트워크는 주로 GAN(Generative Adversarial Networks)과 CNN(Convolutional Neural Networks)을 사용하여 구성될 수 있습니다. 이러한 네트워크는 이미지, 비디오, 텍스트 등 다양한 형태의 데이터에서 조작된 또는 생성된 콘텐츠를 감지하는 데 사용됩니다. 다음은 각각의 시스템이 어떻게 작동하는지에 대한 개요입니다.1. 가짜 탐지를 위한 GAN (Generative Adversarial Network)GAN은 두 개의 네트워크, 생성기(Generator)와 판별기(Discriminator)로 구성됩니다. 가짜 탐지에 GAN을 사용할 때의 주된 접근 방식은, 판별기를 훈련시..

1. 데이터셋: CelebACelebA (Celebrity Faces Attributes) 데이터셋은 대규모 얼굴 속성 데이터셋으로, 10,177명의 유명인의 얼굴 이미지 202,599개로 구성되어 있습니다. 이 이미지들은 다양한 포즈와 배경을 가지며, 40개의 얼굴 속성에 대한 레이블이 포함되어 있습니다. 이 데이터셋은 얼굴 인식, 얼굴 특징 검출, 랜드마크(또는 키포인트) 위치 인식 등의 연구에 널리 사용되며, GAN을 통한 얼굴 이미지 생성 연구에도 자주 활용됩니다.2. DCGAN의 생성기와 판별기DCGAN (Deep Convolutional Generative Adversarial Network) 은 컨볼루션 신경망을 사용하여 GAN의 안정성을 향상시킨 모델입니다. DCGAN에서는 다음과 같이 생..

VGG - 그렇게 복잡하지 않으면서도 GAN에서 많이 사용된다.두 loss를 합쳐서 균형 잡히게 학습할 수 있다.스타일 GAN, 특히 StyleGAN을 이해하는 데 있어서 핵심적인 요소는 데이터셋, 모델 아키텍처, 그리고 콘텐츠와 스타일의 loss 최소화 방식입니다. 이 세 요소에 대해 자세히 설명드리겠습니다.1. 데이터셋StyleGAN을 학습시키기 위한 데이터셋은 대부분 고해상도 이미지를 포함하며, 특히 사람의 얼굴을 많이 사용합니다. 가장 유명한 데이터셋 중 하나는 FFHQ (Flickr-Faces-HQ) 데이터셋입니다. 이 데이터셋은 70,000개 이상의 고품질 얼굴 이미지를 포함하며, 다양한 연령대, 배경, 및 인종을 포함하여 모델이 다양한 특징을 학습할 수 있도록 설계되었습니다.2. 모델 아키텍..

이미지에 스타일을 변환시켜준다.사이클 GAN(Cycle-Consistent Generative Adversarial Networks, CycleGAN)은 이미지를 하나의 스타일에서 다른 스타일로 변환하는 데 특화된 딥러닝 모델입니다. 이 모델은 특히 페어가 매칭되지 않은 이미지 데이터(즉, 서로 직접적으로 연관된 변환 전과 변환 후 이미지 쌍이 없는 경우)에서 유용하게 사용됩니다. 예를 들어, 실제 사진을 그림처럼 보이게 하거나, 여름 풍경을 겨울 풍경으로 바꾸는 등의 작업에 효과적입니다.CycleGAN의 주요 개념비페어 학습: CycleGAN은 페어링된 데이터가 필요 없습니다. 즉, 정확하게 매치되는 'A' 도메인과 'B' 도메인의 이미지 쌍이 필요 없습니다. 이는 많은 실제 시나리오에서 데이터 수집을..

1. 머신러닝 진단 테스트에 관한 다음 설명 중에서 올바른 것을 모두 고르시오.하나 이상을 선택하세요.1. 머신러닝 진단 테스트는 학습 알고리즘의 성능을 향상시키기 위해서 어떤 방법들이 효과적인지 알려준다.2. 예측함수를 평가하기 위해 우리는 데이터를 두 부분으로 나누는데, 약 50%는 학습용이고 50%는 테스트용이다.3. 로지스틱 회귀에서는 오분류 비율을 테스트 셋 오차의 대안으로 사용할 수 있다.2번 테스트 왜이리 많아. 3번은 뭔 말이지....?선택해야 할 올바른 진술은 다음과 같습니다:"머신러닝 진단 테스트는 학습 알고리즘의 성능을 향상시키기 위해서 어떤 방법들이 효과적인지 알려준다."이 설명은 올바릅니다. 머신러닝 진단 테스트는 모델의 성능을 평가하고, 그 결과를 바탕으로 어떤 변경사항이 모델을..

음.... optimizer는 아닐거 같은디파라미터 최적화인가...?epoch를 늘리거나, 복잡도 감소시키거나...오버피팅 해결언더 피팅 해결특징값을 증가시키는 효과가 있다.오버피팅 유의하기!히든 레이어 수 ? 노드 수?노드 수가 많다 - 일반적으로 사용할 수 있다. -> 충분하지 않으면 레이어 수를 늘린다.why?신경망에서 히든 레이어의 노드 수를 늘리는 것은 모델의 용량을 증가시켜 더 복잡한 패턴을 학습할 수 있게 하는 한 방법입니다. 노드 수를 늘릴 때의 주된 이유는 다음과 같습니다:계산 효율성: 레이어의 노드 수를 늘리는 것은 비교적 간단하며, 추가적인 레이어를 도입하는 것보다 계산상의 부담이 덜 합니다. 각 레이어가 추가될 때마다, 네트워크의 깊이가 깊어지고, 이로 인해 학습이 더 어려워질 수 ..

읭 validation이랑 train 학습 loss 곡선인가...?데이터 개수가 증가할 수록 오차가 증가한다. 데이터가 증가함에 따라 train 오차는 늘어나고, validation 오차는 감소한다.train 데이터를 더 많이 수집하더라도 영향을 주지 못한다. 너무 높은 error를 가지게 된다. 복잡도를 늘려늘려validation오차가 감소하는데 train과 차이가 난다. (Large gap) 학습 데이터가 많아지면 갭이 줄어든다.