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

google BERT를 활용한 한글 욕설 필터링 서비스(Project Purifier)
 
2018년 12월 - 2019년 9월 
- Part : ML Engineering, Web programing - Data 크롤링(youtube, naver, namuwiki, ilbe) - Tensorflow를 사용한 BERT 모델 추가 pre-train - 10만 문장 욕설 유무 라벨링 - Pytorch BERT 모델 튜닝 및 fine-tuning 후 성능 테스트 - Flask, Redis, restAPI, jquery를 사용하여 web service 구현 - Nginx, Uwsgi를 사용하여 AWS EC2(ubuntu)에 service 배포
이진수  한서대학교 항공교통물류학부
330RP · Python 상위 4%
착한아이 언어습관 길잡이
 
2019년 10월 - 2019년 10월 
딥러닝을 통한 음성인식 텍스트 추출, fasttext모델을 사용하여 비속어, 유사비속어 데이터화 안드로이드앱 서비스를 통하여 데이터 시각화 및 알림기능 서비스
박은호  개발자 
360RP · Python 상위 4%
Nested DNN
 
2019년 3월 - 2019년 9월 
NestedDNN 이라는 새로운 개념에 대한 논문을 실제로 구현하는 프로젝트를 수행하였습니다. 이 프로젝트에서 저는 논문에서 나오는 Multi Capacity Model에 해당하는 모델을 만들어 낼 수 있는 코드를 구현하였습니다. 모델은 vgg16을 기반으로 진행하였습니다. 이 코드를 이용해 처음엔 간단한 벌과 개미, 그 이후에는 500명의 사람을 구분하는 Multi Capacity Model을 만들었습니다.
김정원  한국과학기술원(KAIST) 전산학부
neural-network, deep-learning, PyTorch