본문 바로가기

분류 전체보기

데이터베이스 2021. 1. 17. [참관기] 2019 대한민국 ICT융합 엑스포 엑스포에서 열린 대한민국 ict 융합 엑스포가 19.10.30(수) ~ 19.11.1(금) 동안 진행되었다. 대구에서 열리기 때문에 서울에서 가기에는 부담스러운 거리였지만, 마침 주말도 있고해서 고향집에 내려가는 겸 다녀오게 되었다. 이번 전시회에서는 Mobile & Communication : 모바일, 스마트폰, 네트워크 시스템, 어플리케이션 등 Software & Computing : IoT, AI, 빅데이터, 클라우드, 보안 등 ICT Device, Parts, Materials : 부품, 소재, 디스플레이, 3D프린터, 드론, 로봇 등 Digital Contents & Display : VR, AR, 디스플레이, 디지털플렛폼 등 큰 4개의 주제로 다양한 기술들을 전시하여 보는 재미가 상당했었다. ..
데이터베이스 2021. 1. 17. [Database] 데이터베이스(DB) 데이터(Data) 현실 세계에서 단순히 관찰하거나 측정하여 수집한 사실(fact)이나 값(value)으로 자료라고도 한다. ​ 정보(Information) 데이터를 의사 결정에 유용하게 활용할 수 있도록 처리하여 체계적으로 조직한 결과물 ​ 정보처리(Inforamation processing) 데이터에서 정보를 추출하는 과정 또는 방법 데이터를 상황에 맞게 분석하거나 해석하여 데이터 간의 의미 관계를 파악하는 것 ​ 정보 시스템(Information System) 조직운영에 필요한 데이터를 수집하여 저장하였다가 의사결정이 필요할 때 처리하여 유용한 정보를 만드는 수단 // 정보 시스템 안에서 데이터를 보관 후 필요할 때 제공하는 핵심 역할은 DataBase (데이터 베이스)가 담당한다. 데이터 베이스DB..
인공지능/DeepLearning 2021. 1. 14. [Computer Vision] Object Detection and Bounding Boxes 이미지를 분류할 때에는 하나의 주요 대상만 식별하고 그것을 분류하는데에 초점을 맞춘다. 우리는 주요 대상이 무엇인지를 파악하기 원할때도 있지만, 어느 특정 위치에 있는지 알고 싶을때도 있다.(객체 탐지) 객체 탐지는 많은 분야에서 사용된다. 예를 들어 자율주행에서의 보행자, 도로, 장애물의 위치를 인식하거나 보안 분야에서도 비정상적인 대상을 감지하여 사전 위험에 대응할 수 있도록 사용할 수 있다. 차후에 업로드할 포스팅에서 객체 탐지에 대해서 배우기 전에 객체 위치를 표현하는 개념에 대해서 언급한다. %matplotlib inline from d2l import torch as d2l import torch d2l.set_figsize() img = d2l.plt.imread('../img/catdog...
인공지능/DeepLearning 2021. 1. 12. [Computer Vision] Fine-Tuning 학습을 할 때 일반적으로 대규모의 이미지 데이터 셋이 필요하다. 하지만 이미지 데이터 셋을 만들기에는 시간은 둘째치고 비용이 상당히 많이 든다. 또한 새로운 데이터셋이 크지 않다면 그만큼 학습을 하기 어려울 것이고 오버핏 될 가능성이 커지게 된다. 이러한 문제를 해결하기 위한 한 가지 방법이 Fine-Tuning(미세 조정)이다. 딥러닝 모델의 중요한 성격 중 하나가 바로 "계층적인 특정"을 "스스로" 학습한다는 점이다. 모델의 첫 번째 층은 "일반적인(general)"특징을 추출하도록 하는 학습이 이루어지는 반면에, 마지막 층에 가까울수록 특정 데이터셋 나타날 수 있는 "구체적인(specific)"특징을 추출하도록 학습이 이루어진다. 기존의 데이터셋의 학습 내용을 새로운 모델에 적용한 후 새로운 데이터..
인공지능/DeepLearning 2021. 1. 11. [Computer Vision] 확장된 Image를 이용한 훈련 모델 사용 %matplotlib inline from d2l import torch as d2l import torch import torchvision from torch import nn 사용될 모듈 항목들이다. 학습에 사용될 모델들은 torchvision에서 제공하는 image 데이터셋인 CIFAR-10을 사용한다. all_images = torchvision.datasets.CIFAR10(train=True, root="../data", download=True) d2l.show_images([all_images[i][0] for i in range(32)], 4, 8, scale=0.8); train : train 데이터셋을 받아올지 test용 데이터셋을 받아올지 선택 root : 데이터셋을 받아올 경로를..
인공지능/DeepLearning 2021. 1. 11. [Computer Vision] Image Augmentation 심층 신경망에서 데이터셋을 사용할 경우 대규모 데이터셋일수록 모델의 의존도를 줄일 수 있고, 이에 따른 일반화 능력이 향상된다. 따라서 심층 신경망의 성공적인 학습을 위해 동일한 이미지를 위치, 밝기, 색도와 같은 요소들을 무작위로 조절하면서 다양한 데이터를 만드는 것이다. 이러한 이미지 확대 기술은 심층 신경망의 성공에 크게 기여를 했으며, 이미지를 무작위로 변환해주는 작업은 다양한 모듈에서 제공을 해주고 있다. def apply(img, aug, num_rows=2, num_cols=4, scale=1.5): Y = [aug(img) for _ in range(num_rows * num_cols)] d2l.show_images(Y, num_rows, num_cols, scale=scale) %matp..
인공지능/논문 번역 2021. 1. 5. [논문 번역] 2019/Removal of Power Line Interference From ECG Signals Using Adaptive Notch Filters of Sharp Resolution - 미완성 Abstract 심전도 (ECG) 신호의 잡음 제거는 잡음으로 가려진 필수 신호 특징을 구별하는 데 매우 영향을 미칩니다. Power Line Interference (PLI)은 대부분의 생체 전기 신호에서 잡음의 주요 원인입니다. 디지털 노치 필터를 사용하여 ECG 신호에서 PLI를 억제할 수 있습니다. 그러나 특히 PLI의 디지털화가 전체 주기 샘플링 조건을 충족하지 않는 경우 일시적인 간섭 및 링잉 효과의 문제가 발생합니다. 이 논문에서는 PLI의 더 나은 상쇄를 얻기 위해 날카로운 해상도의 적응형 노치 필터 (ANF)를 생성하는 설계 접근법을 제안합니다. 제안된 방법은 알고리즘이 간결하며 PLI를 보다 포괄적으로 줄입니다. 입력 신호에 대해 하나의 고속 푸리에 변환만 필요합니다. 손상된 신호의 F..
인공지능/연구일지 2021. 1. 5. 2021-01-05(화) 찐 연구일지 ECG 데이터를 이용하여 연구를 해볼려고 한다. 100명의 ECG 데이터를 이용하여 전처리를 진행한 후 필터링 작업을 진행해볼려고 한다. ECG 데이터가 사람마다 개별적인 txt파일로 존재하였다. pandas 라이브러리를 통해 불러오고 concat 기능을 이용하여 모든 데이터를 합쳐 DataFrame형태로 변환하였다. 결측치를 확인해본 결과 사람마다 측정 시각이 정확히 같을 수 없으므로 데이터 양이 조금씩 달랐다. 따라서 측정한 부분의 이후는 모두 결측치로 처리되어있었고, 이를 해결하기 위해 dropna 기능을 통해 결측치가 존재하는 행은 모두 제거하여 100명의 값이 모두 존재하는 시간대까지만 남아있게 처리하였다. 이후 결측치까지 제거한 DataFrame을 csv파일로 최종 저장하였다. Moving B..

티스토리툴바