본문 바로가기

전체 글547

learning rate, data preprocessing, overfitting 실제 사용하는데 필요한 팁들이 있습니다. 러닝 레이트를 조정하는 방법과 선처리 하는 방법, 가장 큰 문제인 오버핏팅을 방지하는 방법에 대해서 이야기 하겠습니다. 코스트 펑션을 정의하고 최소화하는 방법, 그레디언트 디센트 알고리즘이 있습니다 알파값을 이렇게 나타내었습니다. 오케이요. 코스트를 정의하고 이것을 미니마이즈 하고 러닝 레이트를 임의의 값으로 실제로 변형되서 실습을 하였습니다. 러닝 레이트를 잘 정하는 것이 중요한데, 이것을 굉장히 큰 값을 정한다고 생각해봅시다. 이 경사면을 따라서, 한발짝의 스텝이죠. 이 스텝이 크다고 하면, 어떤 일이 발생할 까요. 이동할 때, 이만큼 내려갑니다. 스텝이 크기 때문에 오케잉. 오버 슈팅이 있습니다. 팅겨나갈 수 있습니다. 학습이 코스트 함수를 출력해보면, 숫자.. 2018. 1. 17.
Softmax classification 기본적인 출발은 이렇습니다. 리턴하는 값은 실수가 될 수 있고 바이너리 클래스 피케이션의 2개 중에 하나는 0이나 1이나 하는지 적합하지 않았습니다. 그래서 생각한 방법이 하느이 제트라고 두고 지제트를 두고 이 함수가 큰 값을 압축을 해서 0이나 1사이에 둘 수 있습니다. 오케이요. 그래서 지 제트를 이런 함수 즉 이 제트 축에 값이 커지더라도 지 제트는 1보다 작은 값에 머물고 0보다 1사이에 머무르는 함수가 있으면 참 좋겠다 라는 생각을 한 것입니다. 이렇게 생긴 아름운 함수 시그모이드 함수라고 부르기도 합니다. 로지스틱 = 시그모이드 로지스틱 하이파시스는 이런 형태로 나타납니다. 간단하게 그림으로 표현하였습니다. 하나의 계산하는 유형이 이렇습니다. 나오는 값이 제트값이 됩니다. 아 이런 형태는 시그.. 2018. 1. 17.
Logistic regression classification 수업의 궁극적인 목표 뉴럴 네트워크 딥러닝을 잘 이해하는 것인데, 이것은 굉장히 중요한 컴포넌트 입니다. 이번 수업도 인터넷에 있는 자료 이며, 앤드류 응 교수님의 수업을 많이 이용하였습니다. 리니어 리그레션에 대해서 애기했습니다. 가설 코스트 함수 미니마이즈하는 함수있습니다. 이렇게 리니어하게 폼으로 주어졌습니다. 코스트는 이렇게 리니어하게 가설 가지고 있는 학습데이터와 선을 그은 가설을 세운 선이 얼마나 가깝고 먼가를 측정하는 가가 차이입니다. 학습을 한다는 것이 데이터를 이용해서 바로이 코스트를 최소화하는 것을 찾아내는 것입니다. 어떤 것인지를 알아야 하기 때문에, 오케이요. 찾고자 하는 점이었습니다. 코스트 함수를 미분한 값으로 나타납니다. 기울기. 한번에 얼마나 움직일까. 바로 알파로 스텝의 사.. 2018. 1. 16.
multi-variable linaer regression cost를 어떻게 계산할 것인지, 비용함수 로스를 어떻게 정의할 것인가에 대한 문제가 발생합니다. 오케이 가설 세우고, 비용함수 그리고 최적화하는 알고리즘을 봅니다. 오케이요. 더블유와 비에 대해서 코스트가 정해지기 떄문에, 오케이 하이파시스 실제값 와이 이것이 정답이 됩니다. 실제 값과 예측 한 값. 밥 그릇 모양으로 주어집니다. 여기서 코스트가 최적화가 되는 최적화가 되는 경사면을 따라서 내려가면 됩니다. 코스트 최적화 하는 것입니다. 하나의 인풋 베리어블일 때, 오케이요. 다양한 인풋이 존재합니다. 그 전에는 하나의 인풋이었으나 지금은 여러개의 인풋을 넣는 것입니다. 파이널 점수를 예측할 수 있을까요. 이런 경우에는 변수가 3개가 있습니다. 이런 경우에는 어떻게 하면 될까요. 한 개가 있을 때 수식.. 2018. 1. 16.
Linear Regression 의 cost 최소화 알고리즘의 원리 설명 가설의 값과 실제값의 차이를 제곱하고 이것을 총 더하고 데이터의 갯수로 나누었습니다. 최소화 시키는 더불유와 비의 값을 가지고 구해보자 입니다. 리니어 리그레션의 목표가 되겠습니다. 설명을 쉽게하기 위해서 가설에 대해서서 간단하게 하였습니다. 오케이 변수하나를 줄이고 계산해보도록 하겠습니다. 더블유가 1이면 코스트는 0이지요. 더블유가 0일때, 더블유가 2일때, 오케이요. 더블유 값을 구한다음에, 코스트 함수를 구한 다음에 와이의 축에 대해서 코스트 평션이라고 하고 더블류 라고 했을떄, 2차 함수가 되는군요. 오케이요. 이것의 최소화되는 값을 찾는 것입니다. 이것은 여기서 2차 함수에서 미분하면 되겠습니다. 미분되는 값이 0이되는 값이면 됩니다. 그것이 gradient descent algorithm 이.. 2018. 1. 16.
Combining LiDAAR Space Clustering and Convolutional Neural Networks for Pedestrian Detection Abstract 보행자 검출은 중요한 부품 안전을 위한 무인차량. 또한 각 트래픽과 차량 감시. 외부 벤치마크 그것의 주제와 이것은 가지다 보이다. 난자 문제 적용하다 실체 사용하는 시나리오. 이 순수하게 이미지 기반 보행자 검출 접근, 이 최고의 결과는 달성하다 CNN 그리고 감독하는 몇가지 검출 프레임 워크는 만들어지다 멀티 큐 접근. 이것은 작동합니다. 우리는 개바하다 새로운 보행자 무인차 exploits 라이다 데이터. 추가적인 시각 정보, 이것은 제안된 접근. 라이다 데이터는 사용됩니다. 발생하다 지역 제안 처리하다 이 3가지 차원적 포인트 클라우드 이것은 제안하다. 이것은 앞서 처리하다 이 최고의 CNN 분류기는 우리는 가지다 좋은 조정 물체 검출. 우리는 확장적으로 evaluated 평가된 .. 2018. 1. 2.
Feature Extraction 분류 트래킹 가능한 물체 흥미, 특징 벡터는 추출됩니다 수행하기 위해서 분류 단계에서 이 특징 벡터는 사용됩니다. GMMC가 사용됩니다. 다음 구성으로. 중심점이나, 하중. 표준화된 카테시안 디멘션 이 특징 대응은 루트 민 스쿼어 넓이 그리고 길이 디멘션. 내부 표준. 언급하다 정의하다. 레디어스 이것은 원 분류 점. 이 원은 피팅 방법입니다. 사용되는 근거하여 GUIV에 평균 분포 미디언으로 부터 이것은 받다. 미디언 정의됩니다. 라이다 기반 분류기이 세션은 설명합니다. GMMC를 이것은 실행됩니다 기반으로 데이터 라이다. 이 물체 분류 모델은 유한 GMM 분류 그것의 파라미터는 추정됩니다. 하는 동안 감독 훈련. 이 최대 Posteriori 결정룰은 사용됩니다. 결정하는데 a posteriori 확률.. 2018. 1. 2.
자동화기술 자율주행 부문의 IT업계 선두 주자인 구글과 완성차 업계 선두 주지인 다임러에서 사용한 센서 융합 기반 정밀 측위 기술들과 이의 활용 예. 저가형 센서 융합 기반 정밀 측위 시스템을 소개하고자 합니다. 차량의 초기 위치는 DGPS 와 고가의 INS로 추정되며 해당 위치에서 실시ㅏㄴ으로 획득된 infrared reflectivity와 미리 생성해 놓은 정밀 지도의 인근 지역 정보를 비교하여 두 정보가 가장 잘 정합되는 위치를 자차의 위치로 추정합니다. 벨로다인 내구성, 디자인, 가격의 문제로 양산 측면에서 한계를 갖습니다. 완성차 및 부품 업체에서는 이를 대체할 센서로 스테레오 카메라를 도입하고 있습니다. 양산 가능한 센서들만 사용해서 자율주행을 수행한 다임러의 경우, 측위를 위해 차선 수준 지도와 특징 .. 2017. 10. 25.
Sensor survey window 에서 명확하게 동적 메모리 사용하는 방법에 대해서 익히기.svnet.h 를 사용할 것인가. 아니면 단순하게 .so 파일만 사용할 것인가.sbr 보면 svnet.h 는 없고, 단순하게 .so 만 사용하므로 이것이 가능해 보인다. sbr 빌드 하는 것 리눅스에서 스스로 해보도록 합니다. 가장 쉬운 함수 하나 찾아서 사용해보도록 합니다. 어떤 cmake 를 기반으로 할 것인지 먼저 확인합니다. so 파일만 불러서 사용하도록 하는것을 시도합니다. 이것이 안되면 어디가 안되는지 찾아봅니다. 될 것 같은데. 현재 단순하게 usr/include, usr/lib 에 복사하는 방법은 되지 않습니다. svnet.h 는 불러오는 것 같은데, 그럼 이것 말고 .so 파일을 그 폴더 내에서 동적으로 로드할 수 있게.. 2017. 10. 25.
LINUX ROS 정규화수식: (요소값 - 최소값)/(최대값 - 최소값)정규화는 전체 구간을 0~100으로 설정하여 데이터를 관찰하는 방법입니다.이 바벙법은 데이터 군 내에서 특정 데이터가 가지는 위치를 볼 때 사용합니다.시세와 같이 주기를 띄는 데이터의 경우 과거 대비 현재 데이터의 위치를 파악하기에 용이합니다. 표준화수식 : (요소값 - 평균)/표준편차평균을 기준으로 얼마나 떨어져 있는지 나타내는 값으로, 이 방법을 적용하려는 때는 2개 이상의 대상이 단위가 다를 때 대상 데이터를 같은 기준으로 볼 수 있게 합니다. 삼성전자와 현대차의 주식시세에 대해 동일 기간에 대해 표준화를 수행하면 두 종목이 어떤 특징을 가지고 움직이는 지 관찰하는데 도움이 됩니다. 또 다른 예시로 몸무게와 키에 대해 표준화를 수행한 후 데이터를.. 2017. 10. 24.

티스토리툴바