Introducing Computer Vision !!

Computer Vision is space to learn Computer Vision with Keras, Pytorch.

Contents

Table of Contents

Curriculum

• 수업사이트

Table of Curriculum

Data & Source

Table of Data & Source

1. Unet

• Image : pixel(0~255) 값 / 255 (max normalization) 나누어서 0~1 사이의 값을 가진다.
• Convolution Filter : 3 * 3(대부분의 3 by 3 을 사용한다)
• Feature Map : 컨볼류션을 거치고 나온 값은 0~1사이의 값이 아니고 그 범위를 넘어서 특징(Feature) 이라고 부른다
• Subsampling : Max-Pooling을 의미 한다.
• Back Propagation : 미분하면서 계속해서 값을 바꾸어 가면서 전달된다.
• Lenet
• Unet이 성능이 좋은 이유는 Skip Connection

2. Fit vs Fit Generator

• step_per_epoch =250
• Image 100G 처럼 데이터 클경우 메모리에 올릴수 없으므로 미리 Batch를 만들어서 올린다.

3. Segmentation

• 정답 과 Prediction(모든 Pixel에 대하여 확률값)을 비교하는것

4. Lung Segmentation, Cropping, & ResUNet (tf.keras)

• 특징: MaxPooling이 없음
• Resdual Block : Conv2D → BN → ReLU → Conv → Addition

def bn_act         # BN → ReLU 묶어 놓은 함수
def conv_block     # BN → ReLU → Conv 묶어 놓은 함수
def stem           # Conv2D → BN → ReLU → Conv + shortcut
    shortcut =     # Input → Conv2D
def resudual_block # BN → ReLU → Conv → res   
def ResUNet        # f : Filter의 갯수를 리스트로 만들어 놓고 갖다가 씀.
def dice_loss      # Loss = 1 - IOU(Interest of Unit : 관심지역)  cf : 변형 lnIOU
def dsc            # dice similarity  IOU  교집합/합집합   Predition 0 1 1 1 0 3
    intersection   # 2개 겹친 부분의 값을  reduce_sum      Y         0 1 1 0 0 2       
    smooth         # 0 으로 나누어지 는 것을 방지하기 위해 

• CE(Cross Entropy) : -log(Pt)
• FL(Focal Loss) : -(1-pt)r log(pt) # r(감마)를 줌으로서 미분을 하면, 지수가 앞으로 나와서 에러의 값을 올려준다.

5. GAN

• Discriminator
• Generator
• Linear → Keras 의 Dense
• 출력 : 0 (가짜), 1(진짜)
• Generator
• 출력 : -1 ~ 1

6. WGAN

• GAN → 1 : 진짜 / 0:가짜
• WGAN → 1 : 진짜 / -1:가짜
• GAN → (D(x), 1) + (D(G(z)), 0)
• └ -log(D(x)) -log(1-D(G(z)))
• WGAN → D(x~)) - D(x) : 값의 범의를 두지 않음으로서, 차이를 2가 생기께끔 하여 더 구별이 잘되게끔 한다.

Reference

• KoNLPy

for layer in pretrained_densenet.layers:
    layer.trainable = True

denseNetOutpu = pretrained_densenet.get_layer('relu').output

Feature_Flatten = GlobalAveragePooling2D()(denseNetOutput)
dense1 = Dense(1024, name='dense1', activation='relu', kernel_initializer='he_normal')(Feature_Flatten)
dense1 = BatchNormalization()(dense1)
dense2 = Dense(1024, name='dense2', activation='relu', kernel_initializer='he_normal')(dense1)
dense2 = Dropout(0.3)(dense2)
predictions = Dense(6, name='last', activation='softrmax')(dense2)

New_DenseNet = Model(inputs=pretrained_densenet.input, outputs=predections)
New_DenseNet.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
New_DenseNet.summary()