수많은 영상인식 필수 논문, 이 강의 하나로 완벽 정리! 컴퓨터 비전의 이해부터 CNN 기반 영상인식 모델 구현까지 기초를 탄탄히 쌓으실 수 있습니다.
꼭 읽어야 하는 핵심논문을 명료하게 이해하게 됩니다. 직접 코드로 구현하며 딥러닝 실전 역량을 강화할 수 있습니다.
- 언제 어디서든 접속하여 개발 및 수정 가능
- 구글 드라이브와 연동 저장
- GPU 무료 사용
AlexNet, LeNet, ResNet, SeNet, Tensorflow기반 classification 모델 구현까지
활용과 논문 리뷰
물체 인식, 이미지 분류 모델 관련 프로젝트, 논문 리뷰를 통해 딥러닝 기반의 영상처리 기법을 이해하고 구현할 수 있습니다.
명료한 이해
목적에 맞는 classification을 찾고 그를 통해 tensorflow 기반 classification 모델을 직접 구현해봅니다.
스킬 역량 향상
논문의 흐름에 따라 필요한 핵심 내용만 간략히 정리하고, 실습을 통해 직접 설계해보며 모델 응용력을 갖출 수 있습니다.
컴퓨터비전에 대한 기초를 탄탄히 쌓아나갈 수 있습니다.
하나하나 찾아보기 어려운 필수 논문을 모아 리뷰부터 실제 구현까지 함께 진행합니다.
Custom Data로 성능을 비교/평가해 보면서 각 모델들의 Contribution을 제대로 이해할 수 있습니다.
가장 활발한 분야인 만큼, 관련 논문도 수십 개입니다. 단언컨대 논문 수십 개를 본다고 해서 전문가가 될 수 있는 것은 아닙니다. 컴퓨터 비전 분야에서 가장 핵심이라 평가되고 있는 논문들만 집중적으로 리뷰하고 학습함으로써 보다 직관적으로 딥러닝 기반 컴퓨터 비전을 이해할 수 있도록 합니다
최근 몇 년 간 CV 분야는 급속도로 발전해 오고 있습니다. 딥러닝 전문가가 되기 위해서는 어떤 아이디어들을 통해 패러다임이 변화해왔고 발전되어 올 수 있었는지 이해하는 것이 매우 중요합니다. 향후에는 어떤 방향으로 나아갈지 함께 고민할 수 있는 강의를 준비했습니다.
실질적인 결과물까지 도출! 직접 코드를 작성하여 구현하는 것만이 실전 능력을 높이는 길입니다. 단순히 아이디어 소개에 그치지 않습니다. 논문에서 다루는 주요 모델들을 직접 구현해 보며 tensorflow 기반 classification 모델 구현 스킬을 향상시켜드립니다.
기본적인 파이썬 문법을 알고 계신 분, 혹은 파이썬을 다뤄본 적이 없더라도 기타 프로그래밍 언어를 한 가지는 다룰 줄 아는 분들이 수강 하시는 것을 권장 드립니다.
실습을 진행하기 위해서는 노트북 또는 데스크탑이 필요합니다. 강의 중 실습은 Colab 환경에서 진행되기 때문에 별도의 설치 파일은 불필요합니다.
영상인식 관련 대학원 진학, 딥러닝 기반 CV 분야 취업/이직을 고민하는 분
논문 리뷰를 통해 컴퓨터 비전 기초를 다지고 싶은 분
Custom Classification 모델을 만들어 현업에 적용하고자 하는 분
SECTION 1. Computer Vision 소개
1-1. CV introduce
1-2. CV conference, paradigm shift to DL
1-3. Characteristic of image data
SECTION 2. Machine Learning 이해
2-1. Machine Learning Introduce
2-2. Learning Category
2-3. Linear Regression
SECTION 3. Tensorflow 2.0 Programming
3-1. Colab env. Introduce
3-2. Regression Modeling with TF 2.0
3-3. Multi Layer Perceptron
SECTION 4. Forward/Backward Propagation
4-1. Forward Propagation
4-2. Back Propagation Logic
4-3. Back Propagation Meaning
SECTION 5. HOG descriptor
5-1. Classification Definition
5-2. SVM Model
5-3. Hog Descriptor
SECTION 6. Gradient-Based Learning Applied to Document Recognition
6-1. Convolution Concept
6-2. LeNet
6-3. LeNet (실습)
SECTION 7. ImageNet Classification with Deep Convolutional Neural Networks
7-1. Overfitting Solutions
7-2. Overfitting Solutions (실습)
7-3. AlexNet
7-4. AlexNet (실습)
SECTION 8. Very Deep Convolutional Networks For Large-Scale Image Recognition
8-1. Overfitting Solutions
8-2. Transfer Learning
SECTION 9. Going Deeper with Convolutions
9-1. GoogleNet
9-2. GoogleNet (실습)
SECTION 10. Deep Residual Learning for Image Recognition
10-1. ResNet
10-2. ResNet (실습)
SECTION 11. Squeeze-and-Excitation Networks
11-1. SENet
11-2. SENet (실습)
SECTION 12. Rethinking Model Scaling for Convolutional Neural Networks
12-1. EfficientNet
12-2. EfficientNet (실습)
지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.
로그인 후 이용가능합니다.
로그인 페이지로 이동합니다.
