총 5개
-
방통대 [딥러닝의통계적이해] 2024 출석과제물 (30점 만점 인증 / 표지제외 18페이지 분량 / 코드 및 해설 포함)2025.01.251. Teachable Machine을 이용한 이미지 분류 Teachable Machine에 판다 이미지 54개와 레서판다 이미지 21개를 각 클래스로 나누어 입력하고 학습시켰다. 학습 시도 횟수인 에포크는 50으로 설정되었으며, 배치 크기는 16으로 설정되었다. 학습률은 0.001로 설정되어 있으며, 학습이 완료된 모델에 테스트 이미지를 입력한 결과 판다와 레서판다의 사진 또는 그림에 대해 대부분 100%로 판단하고 정답을 맞추는 것을 확인할 수 있었다. 레서판다 이미지 샘플 수 부족을 보완하기 위해 학습률을 0.00057로 낮추...2025.01.25
-
CNN을 이용한 이미지 분류-일반 농산물과 GMO의 구분2025.01.281. GMO 농산물 구분 연구에서는 CNN(Convolutional Neural Network)을 이용하여 일반 농산물과 GMO 농산물을 구분하는 방법을 제안하고 있습니다. 연구자는 샤인머스캣 잎과 포도 잎의 이미지를 수집하여 CNN 모델을 학습시켰고, 이를 통해 약 68%의 정확도로 GMO와 일반 농산물을 구분할 수 있었습니다. 이를 통해 소비자들이 GMO 식품 여부를 쉽게 확인할 수 있도록 하고자 하였습니다. 2. 딥러닝을 이용한 이미지 분류 연구에서는 딥러닝 기술 중 하나인 CNN을 활용하여 이미지 분류 문제를 해결하고자 하였...2025.01.28
-
스마트폰으로 음식물 촬영하여 종류와 칼로리 분석하는 앱 개발2024.12.311. 일반적인 패턴인식 시스템의 구성요소와 처리 절차 일반적인 패턴인식 시스템은 데이터 수집, 전처리, 특징 추출, 모델 학습, 분류 및 예측의 단계로 구성됩니다. 데이터 수집 단계에서는 음식 이미지 데이터셋을 수집하고, 전처리 단계에서는 이미지 크기 조정, 노이즈 제거 등의 작업을 수행합니다. 특징 추출 단계에서는 CNN 등의 딥러닝 모델을 활용하여 음식 이미지의 특징을 추출하고, 모델 학습 단계에서는 추출된 특징을 바탕으로 음식 분류 모델을 학습시킵니다. 마지막으로 분류 및 예측 단계에서는 학습된 모델을 활용하여 입력 이미지의 ...2024.12.31
-
소프트웨어개발실무 ) 논문 내용 정리 - Going deeper with convolution2025.04.281. GoogLeNet GoogLeNet은 22개의 계층으로 이루어진 깊은 네트워크로, 분류와 검출 부문에 출하되었다. GoogLeNet의 매개변수는 최고의 정확도를 보이며, 2년 전 ILSVRC 14 대회에서 우승한 Krizhevsky의 아키텍처보다 12배나 적게 매개변수를 이용하였지만, 훨씬 향상된 정확도를 보인다. GoogLeNet은 효율을 극대화한 DNN 아키텍처로, 인셉션이라는 코드 이름의 컴퓨터 비전을 위한 것이다. 인셉션 모듈의 형식을 취하며 새로운 조직 level을 소개하고, 네트워크의 깊어진 깊이를 제시한다. 2. ...2025.04.28
-
텐서플로우 딥러닝 (CNN)2025.05.051. 데이터 세트 학습 데이터에 사용할 영상은 Google에서 이미지 검색으로 꽃을 검색하고, FatKun이라는 크롬 확장 프로그램을 사용하여 영상을 다운로드 받았다. 테스트 데이터에 사용할 영상은 꽃을 직접 구입하여 촬영한 영상 데이터를 사용했다. 학습 데이터는 총 234개, 테스트 데이터는 총 150개이며, 검증 데이터는 훈련데이터의 20%를 사용하여 총 57개이다. 2. 합성곱 신경망 (CNN) 기본적으로 이미지 분류를 하기 위해서는 합성 곱 신경망(CNN)이 필요하다. 2차원 CNN의 특징 추출 부분은 MaxPool2D층과 ...2025.05.05