Receptive Field는 CNN에서 매우 중요한 개념 중 하나이고, object detection은 이 아이디어를 중심으로 아키텍쳐를 설계. receptive field : 특정 CNN의 feature이 보고있는 (영향을 받는) input space의 영역 receptive field 내 모든 픽셀들이 똑같이 중요한 것은 아니다. field 의 중심에 가까울수록 output feature의 계산에 더 많이 기여한다. CNN의 feature이 input image의 특정부분(예를 들면 receptive field)만 보는 것은 아니지만, 가운데 지역으로 갈수록 기하급수적으로 더 focus한다. ※ CNN아키텍처가 대칭적이고 input image가 square이라 가정 feature map을 보는 것 ..

새로운 논문 스터디가 시작 되었다 :) 논문 읽기 - 코드리뷰 - 구현까지 화이팅 :) Abstract single deep neural network로 이미지에서 object detection 수행하는 방법 제시 bounding boxes의 output space를 feature map 위치 당 다른 aspect ratio 와 scale을 가진 default boxes 세트로 이산화한다. prediction time에 network는 각 default box에 각 object의 존재에 대한 점수를 생성한다. 그리고 object shape와 더 잘 일치하도록 box에 대한 조정을 한다. network는 여러 feature map의 예측을 다른 해상도와 결합해 다양한 크기의 개체를 자연스럽게 처리한다. S..

1. 2중 for문 - 다른 언어에서 사용 가능 방법 mylist = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] new_list = [[], [], []] for i in range(len(mylist)): for j in range(len(mylist[i])): new_list[i].append(mylist[j][i]) for n in new_list: print(n) 2. zip 이용 - 파이썬 다운 방법! mylist = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] new_list = list(map(list, zip(*mylist))) for n in new_list: print(n) ※ zip 함수 Returns an iterator of tuples, wher..

현 경로에서 디렉토리개수 ls -l | grep ^d | wc -l 현 경로에서 파일 개수 ls -l | grep ^- | wc -l 현 디렉토리 하위 파일 개수 find . -type f | wc -l

oidv6 데이터를 이용해 실험을 하면서 대량의 파일을 이동시켜야 했다. ls와 mv를 이용해 대량의 파일을 지정해 이동시킬 수 있었다. yolov5에 맞게 데이터를 커스터마이징 했기때문에 예를 들면 images/train의 이미지 이름과 labels/train의 텍스트파일 이름이 같아야하기 때문에 ls의 sort옵션도 사용했다 ls -1 | head -원하는개수 | xargs -i mv "{}" /대상경로 ls -1 |sort -원하는개수| xargs -i mv "{}" /대상경로

- 원래 문자의 뜻이 아닌 특별한 용도로 사용되는 문자 : . ^ $ * + ? { } [ ] \ | ( ) character class [] [ ] 사이 문자들과 매치 [ ] 사이에는 어떤 문자도 들어갈 수 있음 ex) [abc] - > a, b, c 중 한 개의 문자와 일치 ex) [abc] 는 [a-c]와 같다 ex) [a-zA-Z] : 알파벳 모두, [0-9] : 숫자 [ ] 내에는 ^도 들어갈 수 있음 ^ = not Dot(.) Dot(.) 메타 문자는 줄바꿈 문자인 \n을 제외한 모든 문자와 매치됨을 의미 ex) a.b = "a+모든문자+b" 주의! abc는 a와 b사이에 문자가 없으므로 정규식과 일치 x 매치 x 반복 (*) ex) ca*t -> c + a반복 + t 인데 a가 반복 되지 않..