Joonghee's Laboratory

.

Augment S1보다 S4가 보다 heavy 하게 augmenation을 진행하게 된다. 내용의 요지는 augmentation을 보다 많이 적용하고 training dataset이 많아질 수록 Pre-trained backbone보다는 처음부터 학습을 새로 진행하는 것이 효과적이라는 것이다. https://www.youtube.com/watch?v=d8EDoHDEgvI

https://m.blog.naver.com/PostView.nhn?blogId=applepop&logNo=220531298997&proxyReferer=&proxyReferer=https:%2F%2Fwww.google.com%2F

https://arxiv.org/pdf/1906.05186.pdf https://www.youtube.com/watch?v=6ZrXjdMfqxk 우리가 한정된 데이터 셋을 가지고 있을 경우 overfitting 문제를 당면할 수 있다. 이 문제를 어떻게 해결할 수 있을까가 논문의 핵심이다. 위의 그림에서 F는 feature extraction network를 가리킨다. 해당 F 의 overtting 을 방지하기 위해서 Loss 함수에 classification 외 self-supervised loss를 추가하여 하나의 loss function을 구성하여 적용한다. self-supervised loss계산을 위해서는 unlabeled 데이터를 사용하는데, 논문에서는 위의 그림과 같이 이미지를 roatati..

https://ko.m.wikipedia.org/wiki/%EC%B4%88%EB%8B%B9_%EB%AA%85%EB%A0%B9_%EC%88%98

https://bab2min.tistory.com/637

Errors with positive cases should be minimized while errors with negative cases should be maximized. https://medium.com/@mohitsaini_54300/train-facenet-with-triplet-loss-for-real-time-face-recognition-a39e2f4472c3

https://ko.d2l.ai/chapter_deep-learning-basics/underfit-overfit.html 3.11. 모델 선택, 언더피팅(underfitting), 오버피팅(overfitting) — Dive into Deep Learning documentation ko.d2l.ai

1. Bayes theory에 대한 이해를 먼저 하시라... https://www.youtube.com/watch?v=hO9SVW6nnhM 2. Naive Bayesian 이란? 위의 테이블에서 'Overcast'이고 'Mild'일때 경기(Play)를 할 확률을 어떻게 구할까? 표를 보면 쉽게 Yes기에 100%라고 할 수도 있겠으나 그러기에는 통계학적으로 샘플이 너무 적다. 때문에 다른 각도에서의 보다 많은 확률 샘플을 사용할 필요가 있다. 이것이 핵심이다. 우리는 Whether 각각에 대한 사전확률값과 Temperatur 각각에 대한 사전확률값 그리고 Play각각에 대한 사전 확률값등을 활용하여 접근할 필요가 있다. Bayesian 식을 참고하면 이러한 접근이 가능함을 확인할 수 있다. https:/..

https://www.thoughtco.com/absolute-and-relative-error-calculation-609602 RMSE : Root Mean Sqaure Error RMSRE : Root Mean Square Relative Error