Padding을 사용하지 않을 때 기존의 Convolution 연산의 문제점 1. Shrink output - 즉 convolution 결과로 나오는 이미지의 크기는 (input size - filter size +1) 이다. 2. throw away information from edge. - 모서리에 있는 pixel 은 convolution연산 시 한번밖에 사용되지 않기 때문. - 이미지 가운데에 위치한 pixel은 convolution연산 시 여러번 사용된다. 따라서 padding기법을 사용. - 기존 이미지의 크기를 키운 후 convolution을 적용하여 output image size를 변함없도록 조정. valid convolution : no padding same convolution : ..

다음과 같이 경계선이 있는부분을 탐지하는 결과를 만들 수 있으므로 vertical edge detection이다. 혹은 filter가 1 1 1 0 0 0 -1 -1 -1 이렇게 생긴 3 x 3 matrix라면 horizontal edge detection이지 않을까?

자율주행 등에 쓰이는 컴퓨터 비전에 대해 소개. 문제점 : input이 너무 크다. - 1000 * 1000 크기의 사진이 input인 경우 RGB 채널로 인해 3백만개가 input. - 이때 첫번째 layer의 weight.shape : (W[2], 3,000,000) - 두번째 layer units이 1000개라면 자그마치 첫번째 layer weight는 자기마치 3억개가 된다...

End-to-End 장점 - 충분한 데이터가 있다면 오히려 인간의 선입견이 담긴 중간과정들을 제외할 수 있다. (Let the data speak) - 중간 파이프라인을 더 정확하게 하기위한 노력을 기울이지 않아도 된다. (Less hand-designing of components needed) 단점 - 많은 양의 데이터가 필요하다. - 중간 파이프라인(hand-designed)에서 오는 이점들을 막아버릴 수도 있다.

End-to-End learning so well in large dataset. 전통적인 파이프라인을 모두 이용하기 보다 어느 수준에서 End-to-End을 사용하여 파이프라인을 줄일 수 있는지 고민.