서로 다른 channel에 대하여 각 pixel 위치끼리 얼마나 비슷한지 correlated를 측정. - 왜???? 그렇다면 빨간색 filter가 detect하는 특징 : 수직, 노란색 filter가 detect하는 특징 : 주황색 정도 - 수직인 경향이 강하게 보일수록 주황색인 경향이 크게 보인다고 해석. 즉 기존 content의 style의 상관관계를 통해 style을 분석. - 어떤 패턴이 같이 등장하는지, 같이 등장하지 않는 경향을 표현 - 이후 생성된 이미지의 style의 상관관계를 통해 두 이미지의 style을 비교.

**중요 : 전체 cost function 중에 content cost function을 다루는 중** pick one layer l, 생성된 이미지와 기존 이미지를 통과시켰을 때의 결과를 비교하여 gradient를 계산. - 그렇다면 update는 모든 layer에서 일어나나? 그런 것 같다. - 최종 output layer에 대한 결과로 loss를 측정하는 것이 아닌 중간 특정 layer에 대해 Loss를 측정함으로써 C와 비슷한 이미지 G를 생성하도록 조정할 수 있지만 또 완벽한 C가 될 순 없도록 한다.

Neural Style Transfer 모델 학습은 어떻게 시킬까?

Visualizing and Understanding Convolutional Networks, 2013, Zeiler and Fergus. - 각 convolution 단계에서 unit이 무엇을 학습하는지, 설명하는걸 되게 시각적으로 잘 표현함. 시간되면 읽어봐도 좋을 논문. 이때 9개의 Image patch라고 부르는 것이 filters인지는 모르겠다. 뉴런이라고 표현하는데 unit일지.. 하지만 각 layer에 존재하는 neuron이라고 한다면 unit일 것 같고,각 unit 마다 어느 한 종류의 패턴을 중점적으로 나타내려는 것으로 보인다. 그렇다면 unit=9인 에시를 드는건가? - 아니. layer에서 unit 하나를 pick - 이후 9가지의 image patch를 input으로 하여 해당 u..

k는 component index를 의미. 결국 output은 같은 사람 인지, 아닌지의 이중 분류 문제이므로 output layer : sigmoid activation function 사용. - 따라서 y hat은 그림과 같이 수식을 적을 수 있다. - 초록색 글씨는 카이제곱에서 온 수식인데 이는 DeepFace 논문에서 다루는 내용. 참고로 Siamese Network이므로 윗줄과 밑줄의 network parameter는 동일하다. Application 단계에서 x(j)는 database로 부터 온다고 가정했을 때, input x(i)가 주어질 때마다 x(i), x(j)에 대한 output을 생성하는 것이 아닌 x(i)에 대해서만 output을 생성하고 x(j)의 output은 미리 계산해놓고 불러..