코딩하는 해맑은 거북이

피어세션 저번주에 계획했던 CS스터디를 이번주에 처음으로 진행하였다. 운영체제, 딥러닝, 머신러닝, 수학/통계와 관련 공부를 하여 각 주제당 질문을 1개씩 만들어와서 다같이 풀어보았다. 잊고있던 것들을 리마인드하는 시간이였고, 부캠에서 어려운 인공지능 강의들만 듣다가 새로운 주제들도 배우니까 재밌었던 것 같다. 그리고, Segmentation 대회와 관련된 토론들을 진행하였고, 주로 실험 결과에 대해 분석하여 성능이 떨어지거나 올랐을 때, 왜 이렇게 나왔는가에 대해 개개인의 의견을 말해보는 시간을 많이 가졌었다. 한 주 회고 더보기 (+) : 잘했던것, 좋았던것, 계속할것 (-) : 잘못했던것, 아쉬운것, 부족한것 -> 개선방향 (!) : 도전할 것 (etc) : 기타 등등 (느낀점) (+) Segmen..

해당 글은 백준 11279번 문제 '최대 힙'을 다룬다. 문제 https://www.acmicpc.net/problem/11279 11279번: 최대 힙 첫째 줄에 연산의 개수 N(1 ≤ N ≤ 100,000)이 주어진다. 다음 N개의 줄에는 연산에 대한 정보를 나타내는 정수 x가 주어진다. 만약 x가 자연수라면 배열에 x라는 값을 넣는(추가하는) 연산이고, x가 0 www.acmicpc.net 설명 해당 문제는 heapq 라이브러리를 이용해서 풀 수 있다. heapq 라이브러리는 기본으로 '최소 힙'으로 구성되어 있다. '최대 힙'으로 사용하기 위해서는 간단하게 -1을 곱하여 음수로 만들어주고, 출력시에 다시 양수로 되돌려주면 된다. 또한, 해당 문제에서 시간을 단축하기위해 input을 sys 라이브러..

해당 글은 아래의 5가지를 다룬다. 📌 원주율(π) , 자연 상수(e) 📌 삼각함수 📌 삼각함수의 역함수 📌 지수 및 로그 함수 📌 제곱근 및 제곱 함수 📌 원주율(π) , 자연 상수(e) - math.pi : 원주율(π) 값 - math.e : 자연 상수(e) 값 import math print(math.pi) # 원주율 출력 print(math.e) # 자연 상수 출력 3.141592653589793 2.718281828459045 📌 삼각함수 - math.sin(x) : 각도 x의 사인 값 반환 - math.cos(x) : 각도 x의 코사인 값 반환 - math.tan(x) : 각도 x의 탄젠트 값 반환 angle = math.pi/4 print(math.sin(angle)) # 사인 값 출력 pr..

해당 글은 아래의 4가지를 다룬다. 🔷 1중 for 문 🔷 2중 for 문 🔷 for if 🔷 if-else for 🔷 1중 for 문 arr1 = list(range(1, 6)) # [1, 2, 3, 4, 5] arr2 = [] for i in arr1: arr2.append(i**2) arr3 = [i**2 for i in arr1] print(f'arr2 : {arr2}') print(f'arr3 : {arr3}') arr2 : [1, 4, 9, 16, 25] arr3 : [1, 4, 9, 16, 25] 🔷 2중 for 문 arr1 = list(range(1, 6)) # [1, 2, 3, 4, 5] arr2 = [] for i in arr1: for j in arr1: arr2.append(i*j)..

본 게시물의 내용은 '부스트캠프 AI Tech - Semantic Segmentation (김현우)' 강의를 듣고 작성하였다. 해당 글은 아래의 4가지를 다룬다. 📌 FCN의 한계점 📌 Decoder를 개선한 Model 🔷 DeconvNet 🔷 SegNet 📌 Skip Connection을 적용한 Model 🔷 FC DenseNet 🔷 Unet 📌 Receptive Field를 확장시킨 Model 🔷 DeepLab v1 🔷 DilatedNet 🔷 DeepLab v2 🔷 PSPNet 🔷 DeepLab v3 🔷 DeepLab v3+ 📌 FCN의 한계점 1. 객체의 크기가 크거나 작은 경우 예측을 잘 하지 못하는 문제 큰 Object의 경우 지역적인 정보만으로 예측 버스의 앞 부분 범퍼는 버스로 예측하지만, ..

본 게시물의 내용은 '부스트캠프 AI Tech - Semantic Segmentation (김현우)' 강의를 듣고 작성하였다. 해당 글은 아래의 2가지를 다룬다. 📌 FCN (Fully Convolutional Networks) 📌 FCN 구조 🔷 FCN-32s 🔷 FCN-16s 🔷 FCN-8s 📌 FCN (Fully Convolutional Networks) 1. VGG 네트워크 백본을 사용 (Backbone : feature extracting network) 2. VGG 네트워크의 FC Layer (nn.Linear)를 Convolution 으로 대체 Convolution : 각 픽셀의 위치정보를 해치지 않은채로 특징 추출 FC Layer (Fully Connected Layer) : 각 픽셀의 위..