러닛 회원가입
러닛 회원 로그인
사용자 인증
비밀번호 찾기
딥러닝을 활용한 실시간 영상처리 : CNN부터 GAN까지
일정 2019. 2. 10 ~ 3. 17 (총 6주) 시간 매주 일요일 16:00 ~ 19:00 장소 러닛 압구정센터 지도보기 참가비 40만원  x 1.5개월 = 60만원

찜하기 클릭 시 강의 시작 전 알려드립니다.

강의 소개

소개

딥러닝은 응용 목적별로 다양한 신경망으로 발전하고 있으며, 우리 일상생활 속으로 깊게 파고들고 있습니다. 사람과 사물을 인식하는 자율주행 자동차부터 암진단 의료영상 인식까지 딥러닝이 다양하게 활용되고 있습니다.



본 강의에서는 실시간 영상처리를 AI에 적용할 경우 가장 많이 사용되는 CNN(Convolution Neural Network)부터 주가예측과 같이 시간의 흐름에 따른 분석을 할 때 많이 사용되는 RNN(Recurrent Neural Network), 비지도 학습 방법으로 학습된 패턴을 이용해 이미지 및 음성 복원에 사용되는 GAN(Generative Adversarial Network) 등을 학습합니다.

단순히 신경망 이론을 학습하는 것에서 그치는 것이 아니라 빠르게 변화하는 딥러닝 영상처리 분야를 이해하기 위해서, 다양한 분야에 적용된 최신 딥러닝 영상처리 관련 논문들을 Tensorflow 등을 사용하여 직접 구현하는 실습을 진행합니다.

* 대표 실습 논문

- Karen Simonyan, Andrew Zisserman. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition

- Gao Huang, Zhuang Liu, Laurens van der Maaten, at al. (2018) Densely Connected Convolutional Networks

- Joseph Redmon, Ali Farhadi. (2018). YOLOv3: An Incremental Improvement

- Bolei Zhou, Aditya Khosla, Agata Lapedriza, et al. (2015) Learning Deep Features for Discriminative Localization

- Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, et al. (2014) Generative Adversarial Nets

참가대상

✔ 딥러닝을 배우고 싶지만 어디서부터 시작해야할지 모르는 분
가장 기본적인 딥러닝 모델인 CNN, RNN 등을 흥미로운 영상처리 실습을 통해서 학습하세요. 일상생활에서 흔히 구할 수 있는 이미지들을 통해 실제 딥러닝 기술을 빠르고 쉽고 재밌게 배울 수 있습니다.

✔ 머신러닝/딥러닝 이론은 알고 있고, 구현에 관심이 많은 분
평소에 관심이 많아서 머신러닝/딥러닝 이론에 대해서는 학습을 했지만, 실제로 구현하는 데에는 어려움을 겪는 분들. 실제 인공지능 스타트업에서 영상처리 기술로 인공지능을 개발하고 있는 리더님과 함께 최신 논문 리뷰를 통해서 앞으로도 혼자서 구현할 수 있는 힘을 기르세요.

✔ 영상처리를 활용하는 개발자
현재 영상처리를 이용해 개발을 진행하고 있지만, 현재의 영상처리만으로는 성능의 한계를 느끼시는 분들. 본 강의에서 다양한 분야에서 딥러닝을 활용하고자 하는 참가자분들과 함께 실습하며, 본인의 영상처리 기술을 확장하세요 :)


상세정보

  • 일정2019. 2. 10 ~ 3. 17 (총 6주)
  • 시간매주 일요일 16:00 ~ 19:00
  • 장소러닛 압구정센터 지도보기
  • 참가비 40만원  x 1.5개월 = 60만원

후기

    커리큘럼 소개

    주교재 <핸즈온 머신러닝>의 일부를 참고합니다.

    딥러닝을 활용한 실시간 영상처리 : CNN부터 GAN까지
    • - python, tensorflow 등 환경 구축
      - loss, backpropagation, optimizer 등 딥러닝 시작하기 전 필요한 개념 정리
      - fully connected layer 설명 및 개념 정리
      - multilayer perceptron 구현, MNIST 학습 및 테스트

      - python, tensorflow 등 환경 구축<br>
- loss, backpropagation, optimizer 등 딥러닝 시작하기 전 필요한 개념 정리<br>
- fully connected layer 설명 및 개념 정리<br>
- multilayer perceptron 구현,  MNIST 학습 및 테스트<br>
    • - convolution, pooling 등 설명 및 개념 정리 (2D, 3D)
      - convolution, pooling tensorflow를 활용하여 실습
      - VGG 구현, CIFAR10 학습 및 테스트
      - ResNet, DenseNet 구현, CIFAR10 학습 및 테스트
      - VGG, ResNet, DenseNet 성능 비교

      ✔ 관련 논문
      - VGG : https://arxiv.org/abs/1409.1556
      - ResNet : https://arxiv.org/abs/1512.03385
      - DenseNet : https://arxiv.org/abs/1608.06993

      - convolution, pooling 등 설명 및 개념 정리 (2D, 3D)<br>
- convolution, pooling tensorflow를 활용하여 실습<br>
- VGG 구현, CIFAR10 학습 및 테스트<br>
- ResNet, DenseNet 구현, CIFAR10 학습 및 테스트<br>
- VGG, ResNet, DenseNet 성능 비교<br>
<br>
<mark>✔ 관련 논문</mark><br>
- VGG : https://arxiv.org/abs/1409.1556<br>
- ResNet : https://arxiv.org/abs/1512.03385<br>
- DenseNet : https://arxiv.org/abs/1608.06993<br>
    • - 얼굴인식 관련 classification (VGG, ResNet, DenseNet 등 ) 적용시 문제점
      - Triplet loss 설명
      - FaceNet 설명 및 Classification과 차이점 정리
      - FaceNet 구현, MS-Celeb DB 학습 및 테스트

      ✔ 관련 논문
      - FaceNet : https://arxiv.org/pdf/1503.03832.pdf

      - 얼굴인식 관련 classification (VGG, ResNet, DenseNet 등 ) 적용시 문제점<br>
- Triplet loss 설명<br>
- FaceNet 설명 및 Classification과 차이점 정리<br>
- FaceNet 구현, MS-Celeb DB 학습 및 테스트<br>
<br>
<mark>✔ 관련 논문</mark><br>
- FaceNet : https://arxiv.org/pdf/1503.03832.pdf<br>
    • - Object Detection, Object Semantic Segmentation 차이 비교
      - Object Detection 년도에 따른 중요 네트워크 요약 설명
      - YOLO 구현, Pascal VOC 2007 학습 및 테스트

      ✔ 관련 논문
      -YOLO : https://arxiv.org/abs/1506.02640
      -YOLOv2 ( = YOLO9000) : https://arxiv.org/pdf/1612.08242.pdf
      - YOLOv3 : https://arxiv.org/pdf/1804.02767.pdf
      - FCN : https://arxiv.org/pdf/1605.06211.pdf

      - Object Detection, Object Semantic Segmentation 차이 비교<br>
- Object Detection 년도에 따른 중요 네트워크 요약 설명<br>
- YOLO 구현, Pascal VOC 2007 학습 및 테스트<br>
<br>
<mark>✔ 관련 논문</mark><br>
-YOLO : https://arxiv.org/abs/1506.02640<br>
-YOLOv2 ( = YOLO9000) : https://arxiv.org/pdf/1612.08242.pdf<br>
- YOLOv3 : https://arxiv.org/pdf/1804.02767.pdf <br>
- FCN : https://arxiv.org/pdf/1605.06211.pdf<br>
    • - Object Detection 및 Object Semantic Segmentation 차이 비교
      - Weakly Supervised Learning 개념 설명 및 Object Detection, Object Semantic Segmentation과 차이
      - Weakly Supervised Learning 구현, ImageNet 2012 중 일부 항목들 학습

      ✔ 관련 논문
      - Object Localization : https://arxiv.org/abs/1512.04150

      - Object Detection 및 Object Semantic Segmentation 차이 비교<br>
- Weakly Supervised Learning 개념 설명 및 Object Detection, Object Semantic Segmentation과 차이<br>
- Weakly Supervised Learning 구현, ImageNet 2012 중 일부 항목들 학습<br>
<br>
<mark>✔ 관련 논문</mark><br>
- Object Localization : https://arxiv.org/abs/1512.04150 <br>
    • - AutoEncoder 설명
      - AutoEncoder 구현, MNIST에 noise 추가하여 Denoising AutoEncoder 학습 및 테스트
      - GAN 설명 및 구현, MNIST 학습 및 테스트
      - GAN 한계 및 단점
      - Conditional GAN, DCGAN, CycleGAN 등 후속논문 설명

      ✔ 관련 논문
      - GAN : https://arxiv.org/pdf/1406.2661.pdf
      - Conditional GAN : https://arxiv.org/abs/1411.1784
      - DCGAN : https://arxiv.org/abs/1511.06434
      - CycleGAN : https://arxiv.org/abs/1703.10593

      - AutoEncoder 설명<br>
- AutoEncoder 구현, MNIST에 noise 추가하여 Denoising AutoEncoder 학습 및 테스트<br>
- GAN 설명 및 구현, MNIST 학습 및 테스트<br>
- GAN 한계 및 단점<br>
- Conditional GAN, DCGAN, CycleGAN 등 후속논문 설명<br>
<br>
<mark>✔ 관련 논문</mark><br>
- GAN : https://arxiv.org/pdf/1406.2661.pdf<br>
- Conditional GAN : https://arxiv.org/abs/1411.1784<br>
-  DCGAN : https://arxiv.org/abs/1511.06434<br>
- CycleGAN : https://arxiv.org/abs/1703.10593<br>

    리더 소개

    조상현

    인공지능 스타트업 개발자
    - 석/박사 대상으로 딥러닝 관련 강의 진행
    - 딥러닝 기반 영상처리 분석 관련 강의 진행
    - 알고리즘 관련 강의 진행
    Q. 이 강의를 왜 만들게 되었나요?
    머신러닝/딥러닝/인공지능은 이제 모르는 사람을 찾기 힘든 단어입니다. 머신러닝/딥러닝에 관한 수업들을 찾아보고 들어봤지만, 누구나 책에서 찾아볼 수 있는 부분적인 내용만 다룰뿐, 2~3년전에 유명했던 기술조차도 다루지 않는 것이 아쉬웠습니다.
    빠르게 변화하는 딥러닝 기술을 이해하기 위해서 2018년까지 유명했던 기술들을 직접 구현해보는 방식으로 강의를 준비해보았습니다. 이번 강의를 통해서 CNN의 시작부터 현재까지 유명했던 딥러닝 기술들을 이해하고 직접 구현하면서, CNN의 흐름 및 앞으로 새로운 CNN을 접해도 쉽게 구현할 수 있는 실력을 길러드리도록 하겠습니다.

    Q. 강의를 어떻게 운영하실 계획인가요?
    ✔ 강의 1주전 학습 시 사용될 논문 공유
    ✔ 리더가 논문 내용을 10분내로 축약해서 강의
    ✔ 리더가 작성한 논문 기반의 샘플코드로 질문 및 토론
    ✔ 리더가 작성한 코드를 기반으로 자신만의 코드 작성 및 학습 테스트
    ✔ 리더가 미리 학습시켜 놓은 모델로 라이브 영상 및 이미지로 테스트
    ✔ 논문을 기반으로 문제 및 과제 전달

    Q. 이 강의만의 특장점이 있다면 말해주세요.
    기존 CNN 혹은 머신러닝/딥러닝 강의 및 책들은 전반적인 내용을 다루고 있지만, 2~3년 전의 옛날 내용을 주로 다루고 있습니다.
    본 강의에서는 기본적인 이론은 책 위주로 다루고, 실제 구현은 최신 논문 혹은 유명한 논문을 기반으로 실습을 할 예정입니다. 또한 성능 평가는 웹캠이나 사전에 준비한 이미지 및 영상으로 테스트할 예정입니다.
    이 과정에서 눈으로 직접 결과를 확인하고 논문들의 특징 및 구현하는 방법을 쉽게 설명할 예정이기 때문에, 머신러닝/딥러닝 구현에 대해 부담이 덜할 것입니다. 또한 기존 CNN 강의들보다 최신 기술에 대한 내용 및 실무에서 적용하는 방법들을 다루어 좀 더 유익한 과정이 될 것입니다.


    머신러닝/딥러닝을 배우시기 전에 겁먹지 마세요. 단기간 가장 만족스러우신 강의가 되도록 최선을 다하겠습니다.

    강의 참가신청