2020/09/05 깃헙 블로그 기록

2. Image Classification

Image Classification의 어려운 점

• semantic gap : 사진을 이미지로 보는게 아니라 픽셀의 숫자로 봄
• viewpoint variation
• background clutter
• Illumination : 밝기나 음영
• occlusion : 다른 사물에 가려져 구분이 힘든 경우
• deformation
• intracalss variation : 같은 종류지만 다 다른 생김새

image 에서 edge를 추출하는 방향을 생각했지만, 너무 불안정하고 케이스가 다양해 비효율이였다.
그래서 data-driven approach로 이미지셋을 라벨링하고 머신러닝 모델을 훈련시켜 새 이미지를 구분해내게 했다.

• CIFAR10 data set
  - 10 classes
  - 50,000 trn-img
  - 10,000 tst-img
  - 32*32 piexel

Nearest Neighbor

• L1 distance (Manhattan)
  

  	- Train O(1) , Predict O(N)
  	-> **훈련을 느리게하고, 예측을 빠르게 할 순 없을까?**

• KNN
  - majority vote

• L2 distance (Euclidean)
  

• Hyper-parameter
  - 우리가 알고리즘을 위해 선택한 것
  - problem dependent -> try and pick!
  - k, distance matrix...
  - data set -> train, validation, test 로 나눠서 사용
  1. train으로 여러 모델들을 학습한다(하이퍼 파라미터를 다르게 해서)
  2. vaildaion으로 가장 나은 모델을 고른다
  3. test로 그 모델을 평가한다.
  - cross-validation
  이 예시는 five fold
  - fold를 돌아가며 하나씩 validation에 사용해서 효율성 높이기
  - 딥러닝에서는 데이터가 크기 때문에 잘 사용하지 않는다
  - 엥 validation 여러번 하는게 장점인건가?

Linear Classification

• parametric model
  - W, weight
  - $f(x, W)$
  - $f(x,W) = Wx + b$

꼼지락

knn 알고리즘은 머신러닝으로 학교에서 이미 배운거라 복잡하지 않게 들었는데, cross validation이 조금 헷갈려서 더 찾아봐야겠다.
L2를 이미지 비교에 사용한다는게 이해가 계속 안됐는데, 마지막에 교수님이 KNN은 이미지에 사용하지 않는 알고리즘이라고 해서 그냥 그만 생각해보기로 했다. 픽셀의 비슷함을 L2로....
다 듣고나서 보니까 notes가 자세히 잘 나와있어서 다음부터는 강의는 그냥 집중해서 듣고, 노트를 읽어야겠다! 과제하고, 자야지!