이미 소장하고 있다면 판매해 보세요.
- 해외배송 가능?
- 문화비소득공제 가능
이 상품의 태그
상세 이미지
책소개
목차
|
1장. 시작하기
딥러닝 이해하기 퍼셉트론 활성화 함수 인공 신경망 원-핫 인코딩 신경망 학습 텐서플로 플레이그라운드 살펴보기 컨볼루션 신경망 순환 신경망 LSTM 컴퓨터 비전을 위한 딥러닝 분류 검출 또는 로컬라이제이션 및 분할 유사도 학습 이미지 캡셔닝 생성 모델 동영상 분석 개발 환경 설정하기 하드웨어 및 운영체제 소프트웨어 패키지 설치하기 요약 2장. 이미지 분류 텐서플로에서 MNIST 모델 훈련하기 MNIST 데이터셋 MNIST 데이터 로드하기 퍼셉트론 구축하기 다중 레이어 컨볼루션 신경망 구축하기 케라스에서 MNIST 모델 훈련시키기 데이터셋 준비하기 모델 구축하기 그 외 일반적으로 사용되는 이미지 테스트 데이터셋 CIFAR 데이터셋 패션-MNIST 데이터셋 ImageNet 데이터셋 및 대회 더 깊은 딥러닝 모델 AlexNet 모델 VGG-16 모델 구글 인셉션-V3 모델 마이크로소프트 ResNet-50 모델 SqueezeNet 모델 공간 변환 네트워크 DenseNet 모델 개와 고양이를 예측하는 모델 훈련시키기 데이터 준비하기 간단한 CNN으로 벤치마킹하기 데이터셋 확장하기 모델의 전이 학습 또는 미세 조정 딥러닝의 여러 레이어 파인 튜닝하기 실제 애플리케이션 개발하기 올바른 모델 선택하기 언더피팅 및 오버피팅 시나리오 해결하기 얼굴에서 성별과 나이 검출하기 의류 모델 미세 조정하기 브랜드 안정성 요약 3장. 이미지 검색 시각적 특징의 이해 딥러닝 모델 활성화의 시각화 임베딩 시각화 DeepDream 적대적인 사례 모델 추론 모델 내보내기 훈련된 모델 사용 콘텐츠 기반 이미지 검색 검색 파이프라인 구축 효율적 검색 ANNOY를 사용한 매칭 가속화 Raw 이미지 자동 인코더 자동 인코더를 사용한 노이즈 제거 요약 4장. 객체 검출 이미지에서의 객체 검출 데이터셋 탐색하기 ImageNet 데이터셋 파스칼 VOC 챌린지 COCO 객체 검출 챌린지 측정 항목을 사용해 데이터 집합 평가하기 알고리즘 로컬라이제이션하기 슬라이딩 윈도우를 사용해 객체 로컬라이제이션하기 로컬라이제이션을 회귀 문제로 생각해보기 객체 검출 R-CNN Fast R-CNN Faster R-CNN 싱글 샷 다중 박스 검출기 객체 검출 API 설치 및 설정 사전 훈련된 모델 객체 검출 모델 재훈련 자율주행용 보행자 검출 훈련 YOLO 객체 검출 알고리즘 요약 5장. 시맨틱 분할 픽셀 예측 의료 이미지 진단 위성 이미지를 사용해 지구를 살펴보기 로봇이 볼 수 있도록 허용하기 데이터셋 시맨틱 분할을 위한 알고리즘 완전 컨볼루션 네트워크 SegNet 아키텍처 확장 컨볼루션 DeepLab RefiNet PSPnet 대형 커널의 문제 DeepLab v3 울트라-신경 분할 위성 이미지 분할 분할을 위한 FCN 모델링 인스턴스 분할 요약 6장. 유사도 학습 유사도 학습을 위한 알고리즘 샴 네트워크 FaceNet DeepNet 모델 DeepRank 시각적 추천 시스템 인간 얼굴 분석 얼굴 검출 얼굴 표식 및 속성(attribute) 캐글 키포인트 데이터셋 얼굴 인식 얼굴 클러스터링 요약 7장. 이미지 캡션 처리 문제 및 데이터셋 이해하기 이미지 캡션을 위한 자연어 처리 이해 벡터 형태로 단어 표현하기 단어를 벡터로 변환 임베딩 훈련 이미지 캡션 및 관련 문제에 대한 접근 방법 조건부 랜덤 필드를 사용해 이미지와 텍스트 연결하기 CNN 기능에서 RNN을 사용해 자막 생성 이미지 순위를 사용해 자막 만들기 이미지와 이미지에서 캡션 가져오기 밀집 캡션 캡션에 RNN 사용하기 다중 모달 측정 항목 공간 사용하기 캡션 작성 시 관심 네트워크 사용하기 언제 살펴봐야 할지 파악하기 관심 기반 이미지 캡션 방법 구현하기 요약 8장. 생성 모델 생성 모델의 애플리케이션 예술적 스타일 이전 방법 동영상의 다음 프레임 예측 방법 슈퍼 해상도 이미지 대화형 이미지 생성하기 이미지를 이미지로 변환하기 텍스트로 이미지 생성하기 불필요 제거 블렌딩 속성 변환하기 훈련 데이터 생성 새 애니메이션 캐릭터 만들기 사진으로부터 3D 모델 생성 신경 예술 스타일 전송 콘텐츠 손실 그램 매트릭스를 사용한 스타일 손실 스타일 전송 GAN 바닐라 GAN 조건부 GAN 적대적 손실 이미지 변환 InfoGAN GAN의 단점 VDM VDM 알고리즘 요약 9장. 동영상 분류 동영상의 이해 및 분류 동영상 분류 데이터셋 탐색 동영상을 프레임으로 분할하기 동영상 분류 접근법 동영상에 대한 이미지 기반 접근법 확장 사람의 포즈도 적용하기 동영상 분할 동영상 캡션 동영상 생성 요약 10장. 배포 모델 성능 모델 양자화 MobileNets 클라우드에서 배포하기 AWS 구글 클라우드 플랫폼 장치에 모델 배포하기 Jetson TX2 안드로이드 아이폰 요약 |
저자 소개 2
Rajalingappaa Shanmugamani
현재 SAP 싱가포르에서 딥러닝 분야의 리더로 일하고 있다. 이전에는 컴퓨터 비전 제품 개발을 위해 여러 신생 기업에서 근무하고 컨설팅해왔다. 인도 공과 대학(Indian Institute of Technology, Madras)에서 석사 학위를 받았으며, 제조 분야의 컴퓨터 비전 애플리케이션 산업에 관한 논문을 저술했다. 저널 및 콘퍼런스에서 동료 논문 검토를 했으며, 머신 러닝 분야에서 몇몇 특허를 보유했다. 여가에는 프로그래밍과 머신 러닝을 학생과 엔지니어에게 가르친다.
최신 IT 테크놀로지에 대한 리서치를 목적으로 하는 스터디 그룹이다. 엔터프라이즈 환경에서 오픈소스를 활용한 프레임워크 구축에 관심이 많으며 React.js, Node.js, OpenCV, 머신러닝/딥러닝 등의 기술에 주목하고 있다. 또한 다양한 오픈소스 기반 플랫폼의 개발 및 활용에 많은 관심을 갖고 있다. 역서로는 『OpenCV를 위한 머신러닝』(에이콘, 2017), 『컴퓨터 비전과 딥러닝』(에이콘, 2018) 등이 있다.
테크 트랜스 그룹 T4의 다른 상품
품목정보
- 발행일
- 2018년 08월 31일
- 쪽수, 무게, 크기
- 344쪽 | 767g | 188*235*22mm
- ISBN13
- 9791161752006
출판사 리뷰
|
이 책에서 다루는 내용
케라스와 텐서플로에 대한 환경 설정 애완동물 분류 제약 사항을 고려한 이미지 분류와 딥러닝 모델 훈련 방법 학습 모델의 심층 레이어 이해 이미지 추출 문제를 해결하기 위한 사전 훈련된 모델의 사용 방법 검출 방법 이해와 보행자 검출 적용 이미지 캡션 방법의 학습 및 구현 GAN을 사용해 이미지를 생성할 수 있는 모델 훈련 동영상 분류 방법의 확인 및 실제 구현 다양한 플랫폼에 실제 훈련된 모델 적용 이 책의 대상 독자 분류, 검출, 검색, 분할, 생성, 자막 및 동영상 분류와 같은 컴퓨터 비전 문제에 대한 심층적 학습 방법을 알고 싶은 독자나 적은 데이터, 불균형 클래스, 소음과 같은 다양한 제약 조건에서도 높은 정확도를 달성하는 방법을 이해하길 원하는 독자에게 적합한 책이다. 이와 더불어 훈련된 모델을 다양한 플랫폼(AWS, 구글 클라우드, 라즈베리 파이, 휴대전화)에서 사용하는 방법을 알고 싶은 독자에게도 추천한다. 이 책을 모두 읽고 나면, 독자는 인물 검출, 얼굴 인식, 제품 검색, 의료 이미지 분할, 이미지 생성, 이미지 캡션, 동영상 분류 등의 문제에 대한 코드를 개발할 수 있게 될 것이다. 다양한 애플리케이션 프로그램을 위한 컴퓨터 비전 기술을 배우고 싶어 하는 독자를 대상으로 하며, 독자에게 컴퓨터 비전 기반 제품을 개발할 수 있는 도구와 기술을 제공한다. 실용적인 예제들을 통해 비전 관련 이론을 확인할 수 있다.. 컴퓨터 비전은 컴퓨터에 시각을 부여해 이미지를 분석함으로써 유용한 정보를 생성하는 기술이다. 비전 기술은 컴퓨터나 로봇 등을 통해 얼굴, 건물 등의 다양한 객체를 인식하는 데 응용되며, 인공지능 기술이 발전하면서 객체 인식 기술의 진화 속도는 빨라지고 있다. 컴퓨터가 사물을 정확하게 인식해 유용한 정보를 제공할 수 있게 되면서 컴퓨터 인터페이스에 변혁이 일어나고 있다. 아이폰 X에는 얼굴을 인식하는 기능인 페이스 ID가 탑재됐고, 스마트폰의 카메라를 이용한 신용카드 스캔 등의 기술이 실제로 적용되고 있다. 컴퓨터 비전을 구현하기 위한 사용자의 프로젝트에서 컴퓨터 비전 알고리즘을 시작하길 원하더라도, 어디서부터 시작해야 할지 다소 막막할 수 있다. 컴퓨터 비전 엔지니어라 해도, 심도 있게 접근하거나 더 많은 내용을 배우려면 많은 기술을 알아야 한다. 이와 같은 목적을 달성하려면 실전 경험이 가장 중요하다. 실제 문제를 해결하는 방법을 통해 현존하는 방법들을 사용자의 요구 사항에 맞춰 수행해야 하며, 샘플 코드들을 통해 컴퓨터 비전 알고리즘의 가능성과 한계를 충분히 이해해 나가야 한다. 이 책은 실제 컴퓨터 비전 작업을 할 때 직접적으로 큰 도움이 될 수 있도록 구성됐다. 텐서플로(TensorFlow)를 사용해 추론, 제품 검색을 위한 시각적 기능의 제공 및 다양한 사용 방법을 학습할 수 있고, 유사도 매칭(similarity matching)과 얼굴 인식을 위한 모델을 훈련시키는 방법도 배울 수 있다. 이러한 내용들을 다룬 이 책은 딥러닝 학습을 위한 많은 내용들을 담고 있으며 이해하기 쉽게 예제 코드와 그 결과물까지 한꺼번에 보여준다. 컴퓨터 비전 학습을 위한 시맨틱 분할(semantic segmentation), 유사도 학습(similarity learning), 이미지 캡션(image caption), 생성 모델(generative model), 동영상 분류(video classification)에 대해 알기 쉽게 설명해주므로 데이터 기반 컴퓨터 비전 기술에 대한 지식을 한 번에 쉽게 습득할 수 있다. 모든 독자들이 텐서플로/케라스(Keras)와 딥러닝 등에 대한 기본 이론을 이해하고 실제로 구현하는 데 많은 도움이 되길 진심으로 바란다. 각각의 심오한 주제와 관련된 내용 전체를 하나씩 천천히 끄집어낸 후 설명하고 있으므로 순서대로 읽다 보면 전반적인 내용을 충분히 파악할 수 있을 것이다. |
