사람

기업

게시물

CNN은 사람과 보는 방식이 어떻게 다른가? ImageNet - Train CNNs are biased towards texture; increasing shape bias improves accuracy and robustness(https://openreview.net/pdf?id=Bygh9j09KX)를 읽고 정리해봤습니다. 최대한 내용 명확하게 전달하기 위해서 논문에 있던 자잘한 내용들은 생략했습니다. 요약 1. 기존의 CNN이 이미지 분류를 할 때, 형상 정보를 기반으로 인식을 한다는 형상 정보 가설(Shape Bias Hypothesis)와 질감 정보를 기반으로 인식한다는 질감 정보 가설(Texture Bias Hypothesis)가 존재했다. 2. 사람과 CNN이 영상 데이터를 어떤 관점에서 분류하는지 확인하기 위해 정신 물리학 실험을 수행했다. 해당 실험을 통해서 사람은 형상 정보에 편향 되어있고, CNN은 질감 정보에 편향 되어 있음을 확인할 수 있었다. 3. 모델을 SIN/IN 데이터를 혼합하여 학습하면 모델을 형상 정보로 편향시킬 수 있다. 형상 정보로 편향된 모델이 기존 IN 데이터로만 학습된 모델보다 더 좋은 성능을 나타냄과 동시에 전이 학습(Transfer learning)에서도 성능 개선이 유효함을 확인할 수 있었다. 따라서 본 논문에서 제안한 SIN/IN 데이터 학습이 인공지능 모델을 일반화(Generalization) 시키는데 기여한다라고 이야기할 수 있다. https://ssaru.github.io/2019/08/06/20190806-How_the_Eye_of_AI_Sees/?fbclid=IwAR2CF7yMzcvY0bG1NdjSwQp1UIeiHhuC1Wdtv0VF9rRbAykTUd2ttf8gOuI
링크 첨부됨
2019-08-09
황동현  연구원 @전자부품연구원(KETI)
minikube, Kubernetes, micro-architecture

블로그 글

채용 정보

뉴스/미디어

프로젝트

딥러닝 모델의 일반화 성능을 높이기 위한 알고리즘(SS-SGD) 연구 및 실험
 
2019년 7월 | 진행중 
딥러닝 모델의 일반화 성능을 높이기 위한 알고리즘(SS-SGD : Symmetric Sensing Stochastic Gradient Descent for Finding Flat Minima) 연구 및 실험
YoungminJo  서울대학교 전기정보공학
neural-network, 실험, CONSULTING
Quantized Neural Network의 일반화 성능을 높이기 위한 알고리즘 성능 검증 실험
 
2018년 12월 - 2019년 2월 
Quantized Neural Network의 일반화 성능을 높이기 위한 알고리즘 성능 검증 실험
YoungminJo  서울대학교 전기정보공학
neural-network, 실험, CONSULTING
GPU의 workload를 파악하여 Multi-GPU 훈련을 도와주는 Framework 개발 연구
 
2018년 7월 - 2018년 10월 
딥러닝 훈련 시, GPU들의 workload를 파악하여 가장 적합한 parallelization for Multi-GPU training을 지원하도록 Tensorflow 소스코드 수정 및 실험
YoungminJo  서울대학교 전기정보공학
neural-network, 실험, CONSULTING