2강

목차

1. 이미지 분류

2. 한계점

3. CNN 이전의 이미지 분류 방법

4. Data driven approach

5. Distance metric to compare images

6. Setting Hyperparameter

7. KNN 알고리즘을 이미지에서 사용하지 않는 이유

8. Linear Classification

이미지 분류

Image -> Classify -> Result (물체의 종류)

한계점

1. 카메라 각도의 변환: 각도의 변환이 이루어지면 이미지의 픽셀값이 전체적으로 달라짐
2. 조명 문제: 빛으로 인해 물체의 형상이 제대로 보이지 않을 경우 (illusion)
3. 물체의 변형: 물제의 pose가 일정하지 않을 경우 (deformation)
4. 폐색: 물체가 다른사물에 가려져 제대로 보이지 않을 경우
5. 배경과 물체가 제대로 구분이 안되는 경우 (background clutter)
6. 같은 종류 클래스의 다양성 (intraclass variation)

CNN 이전의 이미지 분류 방법

Image -> Find Edge -> Find Corner -> Result

Data driven approach

1. 데이터 수집
2. 수집한 데이터를 위한 분류기 개발
3. 테스트 셋에서의 검증

Distance metric to compare images

L1 (Manhattan) Distance

• 좌표계에 따라 거리 값이 달라질 수 있음
• 각각의 벡터가 특징을 가지고 있을때 사용

L2 (Euclidean) Distance

• 특정 벡터가 일반적이고 요소들간의 실질적인 의미를 잘 모를때 사용

Setting Hyperparamter

1. Idea 1: 트레인 데이터에서 성능이 좋은 값 (x)
2. Idea 2: 학습과 테스트 셋으로 데이터를 나누어 테스트에서 잘 동작하는 값 (x)
3. Idea 3: train, test, validation 으로 나누어 학습 진행 (o)
4. Idea 4: cross validation (전체 학습데이터중 train 셋과 validation 셋을 바꿔가며 검증) 데이터셋이 적을때 사용

KNN 알고리즘을 이미지에서 사용하지 않는 이유

• 매우느림 (인퍼런스)
• 픽셀 값 데이터는 이미지 정보를 충분하게 나타내지 못함

Linear Classification

선을 이용해 집단을 두개 이상으로 구분함

Image -> $f(x,W)$ -> Label

한계점

홀짝과 같은 반정성 문제는 Linear Classification 으로 풀기 힘든 문제임

2강 질문

1. Linear Classification 으로 풀기 힘든 문제의 종류를 적으시오

2. L1 Distance와 L2 Distance를 수식으로 나타내시오

3. L1 Distance 와 L2 Distance 의 차이점을 말하고 언제 L1 Distance 를 사용하면 좋은지 서술하시오

4. 이미지 분류의 한계점을 3가지 이상 서술하시오.

5. KNN 알고리즘을 이미지에서 사용하지 않는 이유를 두가지 이상 서술하시오