최근 Adversarial attack에 대한 논문을 읽고 정리하는 중이다. 이전에 접해본 적이 없는 분야이기 때문에 헷갈리는 부분도 많고, 잘못 이해한 부분이 있을 수 있으니 댓글로 알려주길 바란다. 첫번째로, Adversarial attack의 basic한 논문인 "Explaining and harnessing adversarial examples"를 살펴보려고 한다. 이 논문은 adversarial attack에 대한 취약성을 non-linearity가 아닌 linearity로써 최초로 설명하였고, 비효율적으로 만들어지던 adversarial examples를 빠르고 쉽게 만드는 Fast Gradient Sign Method를 제안하는 등의 기여를 하였다. 이제 본 논문을 천천히 읽어보도록 하자! ..

다양한 분야에 대해서 딥러닝을 실제로 이용하고, 더 알아가기 위해서 데이콘을 하기로 하였다. 첫번째로 도전한 프로젝트는 "이미지 품질향상"이다. 주로 빛으로 인한 번짐 현상을 제거하는 것이 문제이며 이미지의 크기는 3264 x 2448로 매우 크다. 데이콘의 저작권상, 관련 정보를 공유하는 것은 어렵기 때문에 내 깃허브 코드와 해결한 과정을 이야기할까한다. 자세한 코드 정보는 밑 github를 참조하기 바란다. https://github.com/gihyunkim/keras-hiNet GitHub - gihyunkim/keras-hiNet: Deep Learning Model which is called HiNet for Image Denoising Deep Learning Model which is ca..

모듈로 제공되는 데이터셋을 사용하는 것은 슬슬 질릴 때가 왔다. 회사나 팀 차원에서 데이터셋을 구축하거나, 또는 Open Datasets을 다운로드하여 사용할 때, 우리는 그 데이터셋을 전처리하여 모델에 input으로 넣어주어야하는데 체계적인 어떠한 모듈이 있으면 좋을 것 같다. 출처: https://towardsdatascience.com/keras-data-generators-and-how-to-use-them-b69129ed779c 그것이 바로 Generator! 오늘은 그 Generator를 만들어 tiny-imagenet 데이터를 가져오고, 전처리하는 코드를 만들 것이다. 추후에 Data Augmentation을 할 때에도 Generator를 사용할 것이니 꼭 준비하도록 하자! 1. Class ..

이번에는 데이터 증강 모듈을 사용하여, 데이터를 다양한 방향(ex. 크기, 밝기, 노이즈, cutout 등)으로 증강시켜보겠다. 데이터의 종류가 다양하고, 많을 수록 학습이 잘 되는 것은 다들 알고 있을 것이다. 하지만 데이터를 수집하는 일이란 결코 쉽지 않고, 돈과 시간이 소비된다. 이런 문제점을 보완하기 위해서 이미지 데이터의 경우, 영상처리를 통해 다양한 특징을 가지는 이미지들을 만들어내어 데이터를 증강한다. 출처: https://towardsdatascience.com/machinex-image-data-augmentation-using-keras-b459ef87cd22 물론, 개인적으로 원하는 이미지 증강이 있다면 코드를 작성하여 직접 적용하여도 무관하다. 하지만 수많은 증강 기술들을 작성하는 ..

인공지능이란 어디서부터 시작된 것일까? 한번 상상해보자! 사람같이 사고를 하는 기계를 만드려면 제일 먼저 떠오르는 부분은 무엇인가? 눈, 코, 입? 장기? 대부분의 사람들은 그것이 "뇌"라는 것을 바로 알아차릴 것이다. 이렇듯 초기 인공지능 붐을 불러왔던 학자들도 이 "뇌"와 "기계"를 연관지으려고 노력했고, 그 과정에서 최초의 인공지능 "퍼셉트론"이 등장하였다. 1. 퍼셉트론(Perceptron) 퍼셉트론이란, 인공 신경망의 초기 형태로 다수의 입력(X)으로부터 하나 또는 여러 신호(Y)를 출력하는 알고리즘이다. 이 개념은 인간의 뇌가 정보처리 하는 과정을 모방하여 만들어졌다. 퍼셉트론은 입력 노드(X)에서 출력 노드(Y)로 보내질 때, 각 입력도느 값들($x_1, x_2, \dots, x_n$ in ..