"이미지데이터 전처리"의 두 판 사이의 차이
둘러보기로 가기
검색하러 가기
(새 문서: == 개요 == 이미지... == 사전 훈련된 네트워크 사용 == 이미지에 한해 사용할 수 있는 전략이다. 일반적으로 이미지 학습을 위해 CNN 따위를...) |
|||
13번째 줄: | 13번째 줄: | ||
VGG, ResNet, Inception, Inception-Resnet, Xception 등... | VGG, ResNet, Inception, Inception-Resnet, Xception 등... | ||
+ | |||
+ | 이 네트워크를 거치고 난 이미지들을 새로운 층의 입력으로 사용한다.(완전연결을 사용하기 때문에 1렬로 펴서 신경망에 입력한다.) | ||
+ | |||
+ | === 장점 === | ||
+ | 훈련이 진행되는 층이 적기 때문에 훈련시간이 짧다. | ||
[[분류:데이터 전처리]] | [[분류:데이터 전처리]] |
2021년 12월 8일 (수) 17:41 기준 최신판
1 개요[편집 | 원본 편집]
이미지...
2 사전 훈련된 네트워크 사용[편집 | 원본 편집]
이미지에 한해 사용할 수 있는 전략이다. 일반적으로 이미지 학습을 위해 CNN 따위를 사용하면 앞쪽의 층은 edge 등 특성을 파악하는 방향으로 훈련되는데, 이 부분은 이미 훈련된 네트워크를 사용하는 것이다. 즉, 합성곱 층만 재사용하는 것이다.
데이터 자체가 적을 때에도 유용하다.
이미지의 경우, 특성을 공유하기 때문에 가능한 전략이다.(합성곱 층에서 학습된 표현은 일반적인 표현이기 때문에 재사용)
2.1 훈련된 네트워크[편집 | 원본 편집]
ImageNet 데이터셋에서 훈련된 컨브셋은 다음과 같은 것들이 있다.
VGG, ResNet, Inception, Inception-Resnet, Xception 등...
이 네트워크를 거치고 난 이미지들을 새로운 층의 입력으로 사용한다.(완전연결을 사용하기 때문에 1렬로 펴서 신경망에 입력한다.)
2.2 장점[편집 | 원본 편집]
훈련이 진행되는 층이 적기 때문에 훈련시간이 짧다.