JSP's Deep learning

CARLA Simulator Linux Build on Ubuntu 20.04 using docker 본 환경구축 방법은 개발환경에 의존적이며 개발환경이 달라지면 예기치 못한 에러가 발생할 수 있다. * 개발환경 Local OS : Ubuntu 20.04 GPU : RTX 4080 NVIDIA 드라이버 : 525.85.05 CUDA version : 12.0 cuDNN : 8.9 nvidia/vulkan image 사용 이미지 : nvidia/vulkan OS : Ubuntu 20.04.5 LTS python : 3.8.10 CARLA & Unreal Engine Version CARLA : 0.9.11 Unreal Engine : 4.24.3 1. 로컬 환경 1) 환경구축 NVIDIA 그래픽 드라이버 ..

저자 : 채사장 출판 : 한빛비즈 1. 직선적 시간과 원형적 시간 시간은 계속해서 흘러가는 직선적 시간과 다시 되돌아 오는 원형적 시간으로 나눌 수 있다. 직선적 시간은 이미 지나간 과거, 나이 등 다시 되돌릴 수 없이 흘러간 시간을 말한다. 반대로 원형적 시간은 사계절, 출퇴근 일상, 반복되는 역사와 같이 다시 되돌아오는 시간을 말한다. 나에게 있어서 시간은 무슨 의미를 지니는가? 나의 시간은 직선적으로 흘려보낼수도 원형적으로 다시 반복될수도 있다. 하지만 관점을 바꾸어 보면 내가 마음먹기에 따라 시간을 직선적으로, 원형적으로 사용할 수 있다. 따라서 스스로 시간을 의미없게 흘려보내는 것은 아닌지 무의미한 시간들을 되풀이하고 있는 것은 아닌지 생각해보며, 스스로를 돌아보고 시간의 주체가 되어야한다.

1. YOLOv1 요약 1) YOLOv1의 Detection System 2) YOLOv1의 장단점 (1) 장점 One-Stage Object Detection 45 fps로 빠르다. => Real time object detection에 적합하다. 물체에 대해서 더 잘 일반화를 한다. 배경에 대해서 잘못 예측하는 경우가 더 적다. (2) 단점 더 많은 Localization Error을 가진다. 2. YOLOv1의 용어정리 1) Leaky ReLU ReLU에서 일부 뉴런이 활성화되지 않는 문제를 개선 x ≤ 0에 대해서, 0.01x를 적용 2) HSV color space (H, S, V)의 좌표로 색을 표현하는 방법 H(Hue) : 색상, 색의 종류 (0~179) S(Saturation) : 채도, ..

1. 요약 “C & W(Carlini & Wagner) Attack” 라는 강력한 Targeted White-Box Attack을 소개한다. C & W Attack은 Defensive Distillation을 무력화 시킨다. C & W Attack은 Distance method에 따라 L_0, L_2, L_∞ 3가지 방법이 존재한다. 2. 용어 정리 1) Transferability Adversarial example을 생성한 Model외의 다른 Model에도 High-Confidence로 Attack이 적용되는 것 3. Background 1) Neural Networks and Notation Neural Network의 수식적 정의 2) Adversarial Examples Adversarial E..

1. Faster R-CNN 요약 1) Architecture 2) Faster R-CNN의 특징 Region Proposal Network(RPN)을 이용한 Region Proposals RPN과 Fast R-CNN detector가 하나의 convolution feature map을 공유하도록 합친 단일 네트워크(Single Network) End-to-End 방식의 학습 GPU 상에서 5 fps의 속도을 가진다. 3) Multiple scales와 sizes을 처리하기 위한 Faster R-CNN의 체계 (a) : 이미지 피라미드(Pyramids of images)에서 다양한 scales와 sizes을 가진 이미지마다 feature map을 만들어 처리하는 방법 (b) : 필터 피라미드(Pyrami..

더보기 1. Docker 설치 및 NVIDIA 관련 설치가 완료되었다고 가정한다. 2. 환경 구축은 Linux 서버 상에서 Docker을 사용하여 진행된다. 3. GPU을 사용하는 환경이라고 가정한다. 1. Docker 이미지 다운로드 docker pull pytorch/pytorch 2. PyTorch 컨테이너 생성 docker run -itd --name pytorch_study --gpus '"device=1"' -p 8888:8888 -p 8889:8889 pytorch/pytorch 8888 및 8889 2개의 포트를 열었다. GPU가 여러 개이기 때문에 1개의 GPU만을 지정하였다. 3. PyTorch 컨테이너 접속 docker exec -it [컨테이너ID] bash 4. ..

1. Adversarial Examples 요약 "Adversarial Examples"는 Model의 선형성(Linear nature)의 취약점을 이용한 공격 기법이다. "FGSM(Fast Gradient Sign Method)"을 통해서 Adversarial Examples을 생성한다. "Adversarial Training"을 통해서 "Adversarial Example"에 대해 Model을 Robust하게 한다. 2. 주요 용어 1) Softplus Function log(1+exp(x))로 정의된다. ReLU와 비슷하지만 ReLU는 x < 0에 대해서 0으로 처리하는 반면에 SoftPlus는 조금 더 Smooth하게 0으로 수렴하게 한다. 2) Maxout Function 활성화 함수를 piec..

1. Fast R-CNN 요약 1) Fast R-CNN의 Architecture 2) Fast R-CNN의 주요 특징 Multi-Task Loss Shared feature map computation ROI pooling layer 2. Fast R-CNN의 주요 용어 1) ROI (Region Of Interest) Feature map에서 주의 깊게 봐야 할 영역 Selective Search로 추출된 Region proposals을 convolution feature map에 ROI projection을 하여 convolution feature map 상에서 관심영역을 지정한다. 2) Max Pooling 사용자가 설정한 크기와 간격만큼 window을 이동시키면서 해당 window 영역의 픽셀 중..