딥러닝 메모장

https://github.com/fizyr/keras-retinanet/tree/master/keras_retinanet/utils

https://github.com/ronghanghu/cmn

https://github.com/yikang-li/MSDN

https://github.com/danielgordon10/thor-iqa-cvpr-2018

https://github.com/allenai/ai2thor

http://nittaku.tistory.com/267

자꾸 까먹는다..

http://bcho.tistory.com/1010

'나이브'인 이유는 각 데이터의 발생 확률을 독립으로 본다는 가정이 있기 때문이다.

확률값이 너무 작은 경우를 방지하기위해, Log를 이용해서 구하는 방법도 사용 가능.

https://zzsza.github.io/data/2018/02/23/introduction-convolution/

http://shuuki4.github.io/deep%20learning/2016/05/20/Gradient-Descent-Algorithm-Overview.html

https://isaacchanghau.github.io/post/loss_functions/

CE : https://icim.nims.re.kr/post/easyMath/550

http://www.chioka.in/differences-between-l1-and-l2-as-loss-function-and-regularization/

L2는 outlier 값(극단치 or 이상치)이 있을 때 L1보다 상당히 민감하다

https://www.slideshare.net/ssuser7e10e4/wasserstein-gan-i

http://darkpgmr.tistory.com/149

HSV는 RGB와 같은 색상 표현 포멧 중 하나이다.

HSV는 색상, 채도, 명도로 이루어져있다.

RGB 같은 경우는 3가지 요소가 모두 결합되어야 색상을 결정하는데,

HSV의 경우는 첫 번째 요소인 Hue가 색상을 결정한다.

그래서 Hue 요소만 고려해도 어느정도 색상을 분류할 수 있다는 말이다.

물론 채도, 명도에 따라 달라지긴 하지만.

HSV의 구조는 아래 사이트에 나온 그림을 참고하면 쉽게 이해될 것이다.

https://ko.wikipedia.org/wiki/HSV_%EC%83%89_%EA%B3%B5%EA%B0%84

H는 360개의 값을 (각도),

S는 100개의 값을 (반지름),

V는 100개의 값을 가진다 (높이).

코드 레벨에선 표현 방법에 따라 int 값이 아닌, 0~1의 비율 값으로 표현하곤 한다.

ex) H가 0.5면 180, S가 0.5면 50.

python에선 colormap이라는 모듈을 통해, 손쉽게 색상계를 변환시킬 수 있다.

네으워크 파라미터 초기화

http://nmhkahn.github.io/NN

http://pythonkim.tistory.com/41

논문에 너무 자주 등장해서, 뭔진 알아야할거같다.

확률 그래프 모델 중 하나

(대표적인 확률 그래프 모델

 - HMM

 - MEMM

 - CRF

 - HCRF )

https://ko.wikipedia.org/wiki/%EC%A1%B0%EA%B1%B4%EB%B6%80_%EB%AC%B4%EC%9E%91%EC%9C%84%EC%9E%A5#cite_note-12

http://blog.shurain.net/2013/04/crf.html

http://kiise.or.kr/e_journal/2014/11/JOK/pdf/08.pdf

sigmoid [시그모이드]

tanh [탄젠트하이퍼볼릭]

softmax [소프트맥스]

relu [렐루, 램프]

leaky relu

relu6

prelu

rrelu

crelu

elu

selu

참고 : https://nn.readthedocs.io/en/latest/transfer/index.html

https://stats.stackexchange.com/questions/208936/what-is-translation-invariance-in-computer-vision-and-convolutional-neural-netwo

공식 코드 : 논문 저자가 구현한 코드

비공식 코드 : 다른 사람이 논문(혹은 공식 코드)을 보고 구현한 코드

Faster R-CNN

paper :

https://arxiv.org/abs/1506.01497

(공식) Caffe (MATLAP) :

    https://github.com/ShaoqingRen/faster_rcnn

(공식) Caffe (python) :

https://github.com/rbgirshick/py-faster-rcnn

Mask R-CNN

paper :

https://arxiv.org/abs/1703.06870

(공식) Caffe2 (python) :

https://github.com/facebookresearch/Detectron

SSD

paper :

https://arxiv.org/abs/1512.02325

(공식) Caffe (python) :

https://github.com/weiliu89/caffe/tree/ssd

(비공식) Keras based on Tensorflow (python) :

https://github.com/pierluigiferrari/ssd_keras

YOLO

paper :

https://arxiv.org/abs/1506.02640

(공식) (python) :

https://pjreddie.com/darknet/yolov1/

YOLO2

paper :

https://arxiv.org/abs/1612.08242

(공식) (python) :

https://pjreddie.com/darknet/yolo/

RetinaNet (Focal Loss)

paper :

https://arxiv.org/abs/1708.02002

(공식) Caffe2 (python) :

https://github.com/facebookresearch/Detectron

https://tensorflow.blog/2017/06/05/from-r-cnn-to-mask-r-cnn/

Fine Tuning이란 이전에 학습된 모델을 기반으로 하여 새로운 목적에 맞게 weights를 업데이트하는 방법을 말한다.

출처 : http://blog.naver.com/mincheol9166/220852747758