CHAPTER 1 화상 분류와 전이학습(VGG
1.1 학습된 VGG 모델을 사용하는 방법
1.2 파이토치를 활용한 딥러닝 구현 흐름
1.3 전이학습 구현
1.4 아마존 AWS의 클라우드 GPU 머신을 사용하는 방법
1.5 파인튜닝 구현
CHAPTER 2 물체 감지(SSD
2.1 물체 감지란
2.2 데이터셋 구현
2.3 데이터 로더 구현
2.4 네트워크 모델 구현
2.5 순전파 함수 구현
2.6 손실함수 구현
2.7 학습 및 검증 실시
2.8 추론 실시
CHAPTER3 시맨틱 분할(PSPNet
3.1 시맨틱 분할이란
3.2 데이터셋과 데이터 로더 구현
3.3 PSPNet 네트워크 구성 및 구현
3.4 Feature 모듈 설명 및 구현(ResNet
3.5 Pyramid Pooling 모듈 설명 및 구현
3.6 Decoder, AuxLoss 모듈 설명 및 구현
3.7 파인튜닝을 활용한 학습 및 검증 실시
3.8 시맨틱 분할 추론
CHAPTER 4 자세 추정(OpenPose
4.1 자세 추정 및 오픈포즈 개요
4.2 데이터셋과 데이터 로더 구현
4.3 오픈포즈 네트워크 구성 및 구현
4.4 Feature 및 Stage 모듈 설명 및 구현
4.5 텐서보드X를 사용한 네트워크의 시각화 기법
4.6 오픈포즈 학습
4.7 오픈포즈 추론
CHAPTER 5 GAN을 활용한 화상 생성(DCGAN, Self-Attention GAN
5.1 GAN을 활용한 화상 생성 메커니즘과 DCGAN 구현
5.2 DCGAN의 손실함수, 학습, 생성
5.3 Self-Attention GAN의 개요
5.4 Self-Attention GAN의 학습, 생성
CHAPTER 6 GAN을 활용한 이상 화상 탐지(AnoGAN, Efficient GAN
6.1 GAN을 활용한 이상 화상 탐지 메커니즘
6.2 AnoGAN 구현 및 이상 탐지 실시
6.3 Efficient GAN의 개요
6.4 Efficient GAN 구현
이미지/동영상 분류에서 OpenPose, GAN, BERT까지
최신 딥러닝 모델 구현의 핵심이 한 권에!
비즈니스 현장에서 딥러닝을 응용한 경험을 쌓고 싶다면, 합성곱 신경망을 이용한 화상(이미지 분류 등과 같이 기본적인 딥러닝 기법을 배운 후 다음 단계로 넘어가고 싶다면 추천합니다. 입문서에서는 알기 어려웠던 전이학습과 파인튜닝을 활용한 화상 분류, 물체 감지, 시맨틱 분할, 자세 추정, GAN을 활용한 화상 생성 및 이상 탐지, 텍스트 데이터 감정 분석, 동영상 데이터 클래스 분류를 12가지 모델로 구현하며 배울 수 있습니다.
딥러닝은 ‘영업×딥러닝’, ‘제조×딥러닝’, ‘의료×딥러닝’ 등과 같이 다른 분야와 함께 활용할 때 비로소 진정한 가치를 발휘합니다. 도메인 지식과 딥러닝 구현 능력이 결합된 인재로 성장하여 현장에서 활약하는 데 이 책이 도움 될 것입니다.
★ 각 장의 개요
_1장. 화상 분류와 전이학습(VGG
학습된 VGG 모델을 활용해 소량의 데이터로 딥러닝 모델을 구축할 수 있는 전이학습과 파인튜닝을 알아봅니다. 또한 이 책에서는 AWS의 클라우드 GPU 머신을 사용하여 딥러닝을 설명합니다.
_2장. 물체 인식(SSD
물체 감지는 딥러닝 응용 방법 중에서도 특히 복잡한 기술입니다. SSD 모델을 활용해 물체 감지의 흐름을 설명합니다.
_3장. 시맨틱 분할(PSPNet
픽셀 수준에서 물체를 분류하는 시맨틱 분할을 학습하면서 딥러닝 모델 PSPNet을 설명합니다. 어떻게 픽셀 수준에서 물체를 분류할 수 있는지와 함께 네트워크 구조, 순전파함수, 손실함수도 알아봅니다.
_4장. 자세 추정(OpenPose
자세 추정은 화상에 포함된 여러 인물을 탐지하여 인체 각 부위의 위치를 식별하고 부위를 연결하는 선(링크을 구하는 기술입니다. OpenPose가 어떻게 사람의 각 부위를 탐지하고 부위를 서로 연결하는지 구현하며 그 구조를 확인합니다. 모델의 네트워크 구조 확인 방법으로 텐서보드X 사용법을 설명합니다.
_5장. G
