[KT AIVLE] 시각지능 딥러닝 2일차 - 심화학습

0. 개요

---

금일은 시각지능 딥러닝 코딩 방법을 중접적으로 학습하였습니다.

**1. Standardization **

---

금일은 흥미로운 내용으로 전체 스케일링과 채널별 스케일링을 확인해보았습니다. RGB값을 가진 채널 데이터가 있을때 이를 스케일링 하는 방법은 두가지가있습니다.

1. 전체 스케일링
   • 가장 표준적인 스케일링 방법임
     • 늘 하던대로 모든 차원에대해서 일반화하여 표준편차를 구하고 스케일링을 진행함 \(X_{\text{scaled}} = \frac{X - \mu_{\text{global}}}{\sigma_{\text{global}}}\)
   • $X$: 원본 데이터
   • $\mu_{\text{global}}$: 전체 데이터의 평균
   • $\sigma_{\text{global}}$: 전체 데이터의 표준편차
2. 채널별 스케일링
   • 각 채널별로 표준편차를 구하고 스케일링을 진행함
     • 각 채널의 값을 각각의 평균과 표준편차로 정규화함 \(X_{\text{scaled}} = \frac{X - \mu_{\text{channel}}}{\sigma_{\text{channel}}}\)
   • $X$: 원본 데이터
   • $\mu_{\text{channel}}$: 각 채널별 평균
   • $\sigma_{\text{channel}}$: 각 채널별 표준편차

• 장단점 | | 채널별 스케일링 (Channel-wise Scaling) | 전체 스케일링 (Global Scaling) | |———————-|——————————————-|——————————————| | 처리 대상 | 각 채널을 개별적으로 스케일링 | 모든 채널을 하나의 집합으로 스케일링 | | 통계 정보 | 채널마다 개별 평균/표준편차 사용 | 전체 데이터의 평균/표준편차 사용 | | 장점 | 채널별 특성 보존, 색상 정보 유지 | 일관된 스케일 적용, 빠른 처리 | | 단점 | 처리 시간 증가, 일관성 부족 가능성 | 채널별 차이 상실, 색상 왜곡 가능성 |

4. 정리

---

금일은 전반적인 시각지능의 기본적인 원리 및 간단한 코드 구현을 진행하였습니다.

이만 가보겠습니다!

실습 코드는 아래 링크에서 확인 가능합니다.

• 시각지능