Be the only one, not the best one

#TFKRNeurIPS

안녕하세요! 오늘 NeurIPS 학회에서 제가 가장 관심있었던 주제는

<Efficient Processing of Deep Neural Network: from Algorithms to Hardware Architectures>

입니다!

저는 주로 네트워크 경량화쪽 기술에 관심이 많은데, MIT에 계시는 Vivienne Sze 교수님께서 가장 기초적인 부분부터 최근 연구까지 하나하나 차근차근 설명해주시는 세션이었습니다. 특히, 저는 하드웨어 관점에서는 많이 생각을 해보지는 못했는데 하드웨어 관점에서 여러 논문들을 소개해주셔서 도움이 되었습니다.

공식 슬라이드는

http://eyeriss.mit.edu/2019_neurips_tutorial.pdf

이고,

벌써 비디오로도 볼 수 있는 것 같네요

비디오 링크: https://slideslive.com/38921492/efficient-processing-of-deep-neural-network-from-algorithms-to-hardware-architectures

(제가 찍은 사진에는 참석자가 없는 것 처럼 보이지만, 참석자가 사실 엄청 많았습니다!!)
https://www.facebook.com/groups/TensorFlowKR/permalink/1060767684264289/?sfnsn=mo

안녕하세요!
facebookresearch의 Detectron2[1]의 한국어버전 Colab 튜토리얼[2]을 공유합니다.

Detectron2은 PyTorch기반의 Object Detection API입니다. Object Detection 하면 Bounding Box Regression 테스크를 많이들 떠올리시는데, 요즘은 Object Detection 하면 넓은 의미로 bounding box/keypoints detection, instance/semantic/panoptic segmentation 모두를 지칭하는 용어로 사용하기도 하는 것 같습니다.
Detectron2의 특징으로는
1. PyTorch 기반
2. 다양한 Object Detection 알고리즘 제공
3. 방대한 Pretrained Model Zoo 제공
4. 이를 활용할 수 있는 쉬운 API 환경을 제공
5. 아주 쉬운 커스텀 데이터셋 로더 만들기
(특히 bbox 표현 방식이 데이터셋별로 상이한 경우가 많은데, 4가지 bbox 버전을 제공해줘서 정말 편했습니다)
Detectron2 repo에 colab 튜토리얼 원문이 있는데 이번 한국어버전 튜토리얼의 차이점은.

+ 한국어 번역
+ 튜토리얼 목차 순서를 조금 더 직관적으로 변경
+ RetinaNet(bbox) 이미지/비디오 인퍼런스 튜토리얼 추가
+ RetinaNet(bbox) 커스텀 데이터셋 학습 튜토리얼 추가

으로 제 입맛대로 한번 바꿔봤습니다..
필요한 챕터만 골라서 이것저것 튜닝해보면 기초적인 부분은 쉽게 이해하

요즘 날씨가 정말 춥네요.. 모두들 연말 따뜻하게 보내세요!
항상 감사합니다!
 
REFERENCES
[1] https://github.com/facebookresearch/detectron2
[2] https://colab.research.google.com/github/visionNoob/detectron2_aihub_tutorial/blob/master/Detectron2_Tutorial_(kor_ver).ipynb
https://www.facebook.com/groups/TensorFlowKR/permalink/1059469937727397/?sfnsn=mo

Our paper “Keratinocytic Skin Cancer Detection on the Face using Region-based Convolutional Neural Network” was published on JAMA Dermatology. To my knowledge, the performance of cancer detection was compared with that of dermatologists for the first time in dermatology. Because most of previous studies were classification studies, preselection of end-user was essential. In addition, there were numerous false positives because training data set did not include enough number of common disorders and normal structures.
With the assistance of R-CNN, we trained neural networks with 1,106,886 image crops to localize and diagnose malignancy. The algorithm detects suspected lesion and shows malignancy score and predicts possible diagnosis (178 disease classes).
We used region-based CNN (faster-RCNN; backbone = VGG-16) as a region proposal module, and utilized CNN (SE-ResNet-50) to choose adequate lesion, and utilized CNN (SE-ResNeXt-50 + SENet) to determine malignancy. We chose a multi-step approach to reduce the dimension of problem (object detection -> classification).
The AUC for the validation dataset (2,844 images from 673 patients comprising 185 malignant, 305 benign, and 183 normal conditions) was 0.910. The algorithm’s F1 score and Youden index (sensitivity + specificity - 100%) were comparable with those of 13 dermatologists, while surpassing those of 20 non-dermatologists (325 images from 80 patients comprising 40 malignant, 20 benign, and 20 normal). We are performing an additional work with large scale external validation data set. The pilot result is similar with this report, so I hope I will submit soon.
Web DEMO (https://rcnn.modelderm.com) of the model is accessible via smartphone or PC, to facilitate scientific communication. Sorry for the slowness of the DEMO because it runs on my personal computer despite of the multi-threading and parallel processing with 2080 x1 and 1070 x1.
Thank you.
Paper : https://jamanetwork.com/journals/jamadermatology/article-abstract/2756346
Screenshot : https://i.imgur.com/2TCkdHf.png
Screenshot : https://i.imgur.com/IEZLfOg.jpg
DEMO : https://rcnn.modelderm.com
https://m.facebook.com/groups/107107546348803?view=permalink&id=1021762028216679&sfnsn=mo

#DEVIEW2019 #발표영상공개

DEVIEW 2019 모든 발표영상이 공개되었습니다.
지금 DEVIEW 홈페이지에서 확인하세요.

▶ DEVIEW 2019 발표 영상｜deview.kr/2019/schedule
https://m.facebook.com/story.php?story_fbid=2364070777054935&id=353497304778969&sfnsn=mo

Hello. What Data Science courses would you recommend for a beginner?

https://www.facebook.com/groups/DataScienceGroup/permalink/2818646221530583/?sfnsn=mo

Statistics brother, Courseear also has a program they offer it is very useful also don’t get into data science if you are not willing to put in the work brother. Good luck

https://www.udemy.com/course/datascience/

Trust me this will help a lot, and yes its very cheap

https://www.coursera.org/specializations/introduction-data-science

http://hitech360.altervista.org/what-is-data-science-and-why-use-python/

Start Learning Statistics and Linear algebra and calclaus .. there are a lot of website teach that and khan academy is good ... then start with Data Science Course From Coursera this is very good course for beginners then take Machine Learning Course (andrew ng) from Coursera

You should definitely do the Korbit AI course. It is free + you get a certificate on completion.
The best part is that you learn from an AI tutor. It's the best for beginners like you.

http://bit.ly/2PvqOcW

You can try my video channel on YouTube (TechKnowHow). I am a data scientist for a Fortune global 200 company and this video channel has 100's of tutorial videos that are complete walkthroughs of real data science projects we use every day for our execs and directors. The channel is located here: https://YouTube.com/channel/UCwgcmcn_iifLGs_38JIF6kw

I've only started learning a few months ago But, DataQuest.io was a huge help for me grasping python. And once you get comfortable with the python concepts Kaggle offers a much more intuitive learning approach through Jupyter Notebooks. Also if you do a Youtube search for "Data Science Python" There are several 6+ hour walkthrough videos. Youtube will also usually have resources for anything you get stuck on.

We just released our #NeurIPS2019 Multimodal Model-Agnostic Meta-Learning (MMAML) code for learning few-shot image classification, which extends MAML to multimodal task distributions (e.g. learning from multiple datasets). The code contains #PyTorch implementations of our model and two baselines (MAML and Multi-MAML) as well as the scripts to evaluate these models to five popular few-shot learning datasets: Omniglot, Mini-ImageNet, FC100 (CIFAR100), CUB-200-2011, and FGVC-Aircraft.

Code: https://github.com/shaohua0116/MMAML-Classification

Paper: https://arxiv.org/abs/1910.13616

#NeurIPS #MachineLearning #ML #code

[온라인 무료 강의] R로 하는 텍스트 전처리( 박찬엽 SK텔레콤 / T아카데미)

학습내용
1. 단정한 데이터란 무엇인지, 텍스트 데이터에서는 어떻게 접목되는지 이해한다.
2. 한글 데이터 분석에 필요한 Rmecabko / KoLNP 사용법을 알아보고, 한글 데이터 전처리 방법을 알아본다.

<학습대상>
R 프로그래밍이 가능하며, stringr 패키지와 정규표현식에 대하 이해가 있으신 분

<강의목록>
[1강] Tidyverse I - 파이프연산자(%/%), dplyr
[2강] Tidyverse II - tidy data, tidy text
[3강] 형태소분석 패키지 설치 - KoNLP, RmecanKo
[4강] 형태소분석 패키지 사용실습 - Token화, 불용어 제거, 정규표현식
[5강] 정량 지표 I - 단순출현빈도, 동시출현빈도
[6강] 정량 지표 II - tf-idf, 감성분석

* 박찬엽 선생님 github : https://mrchypark.github.io/
* 출처 : https://tacademy.skplanet.com/live/player/onlineLectureDetail.action?seq=166
https://www.facebook.com/113979985329905/posts/2664110800316798/?sfnsn=mo

Generate photorealistic facial images under new viewpoints or illumination conditions using this!

https://www.facebook.com/groups/DeepNetGroup/permalink/1018236828569199/?sfnsn=mo

스텐포드 딥러닝 수업이 정말 많네요. 이번학기 새롭게 업데이트된 자료와 코스도 많으니 추운날 방에서  보고 있으면 이번 겨울이 빠르게 지날것 같습니다. 모두 딥러닝/AI와 함께 따뜻한 겨울 되기실!

Deep Learning

[http://web.stanford.edu/class/cs230/](http://web.stanford.edu/class/cs230/)

[ Natural Language Processing ]

CS 124: From Languages to Information (LINGUIST 180, LINGUIST 280)

[http://web.stanford.edu/class/cs124/](http://web.stanford.edu/class/cs124/)

CS 224N: Natural Language Processing with Deep Learning (LINGUIST 284)

[http://web.stanford.edu/class/cs224n/](http://web.stanford.edu/class/cs224n/)

CS 224U: Natural Language Understanding (LINGUIST 188, LINGUIST 288)

[http://web.stanford.edu/class/cs224u/](http://web.stanford.edu/class/cs224u/)

CS 276: Information Retrieval and Web Search (LINGUIST 286)

[http://web.stanford.edu/class/cs](http://web.stanford.edu/class/cs224u/)276

[ Computer Vision ]
CS 131: Computer Vision: Foundations and Applications

http://[cs131.stanford.edu](http://cs131.stanford.edu/)

CS 205L: Continuous Mathematical Methods with an Emphasis on Machine Learning

[http://web.stanford.edu/class/cs205l/](http://web.stanford.edu/class/cs205l/)

CS 231N: Convolutional Neural Networks for Visual Recognition

[http://cs231n.stanford.edu/](http://cs231n.stanford.edu/)

CS 348K: Visual Computing Systems

[http://graphics.stanford.edu/courses/cs348v-18-winter/](http://graphics.stanford.edu/courses/cs348v-18-winter/)

[ Others ]

CS224W: Machine Learning with Graphs([Yong Dam Kim](https://www.facebook.com/yongdam.kim) )

[http://web.stanford.edu/class/cs224w/](http://web.stanford.edu/class/cs224w/)

 
CS 273B: Deep Learning in Genomics and Biomedicine (BIODS 237, BIOMEDIN 273B, GENE 236)

[https://canvas.stanford.edu/courses/51037](https://canvas.stanford.edu/courses/51037)

CS 236: Deep Generative Models

[https://deepgenerativemodels.github.io/](https://deepgenerativemodels.github.io/)

CS 228: Probabilistic Graphical Models: Principles and Techniques

[https://cs228.stanford.edu/](https://cs228.stanford.edu/)

CS 337: Al-Assisted Care (MED 277)

[http://cs337.stanford.edu/](http://cs337.stanford.edu/)

CS 229: Machine Learning (STATS 229)

[http://cs229.stanford.edu/](http://cs229.stanford.edu/)

CS 229A: Applied Machine Learning

[https://cs229a.stanford.edu](https://cs229a.stanford.edu/)

CS 234: Reinforcement Learning

http://[s234.stanford.edu](http://cs234.stanford.edu/)

CS 221: Artificial Intelligence: Principles and Techniques

[https://stanford-cs221.github.io/autumn2019/](https://stanford-cs221.github.io/autumn2019/)
https://m.facebook.com/groups/255834461424286?view=permalink&id=1051374671870257&sfnsn=mo

안녕하십니까?

저는 기계공학(열유체공학)전공자입니다.

기계설계에 있어 데이터 및 인공신경망을 적용하고자 합니다. 텐서플로를 활용하여, DNN을 이용하여 기계의 성능예측 주제로  SCI 논문을 게재한바가 있습니다.

그런데, 제가 인공신경망이 주전공이 아니다보니 원서보다는 국내 번역서를 보고 적용하는 경우가 많습니다. 그런데, 최근 텐서플로2.0이 되면서 기존에 보유하고있던 텐서플로 서적의 코드가 전혀 먹히지가 않았습니다. 따라서, 최근 텐서플로 2.0 국내번역서를 찾아보고 있습니다만, 검색되는 것이 이 도서밖에 없네요...

이 도서가 괜찮은지 여쭤보고싶고, 텐서플로2.0 국내도서로 출간계획이라던지 추천도서가 있으면 추천부탁드립니다.

감사합니다.









https://www.facebook.com/groups/TensorFlowKR/permalink/1051135725227485/?sfnsn=mo

#Lidar_Institute #자료공유

안녕하세요 SLAM KR !!

저는 11월 27일~29일 2박 3일간 경기도 양평 볼룸비스타 리조트에서 열린

LiDAR institute에서 SOS Lab.의 이용이님과 함께 교육을 진행하고 왔습니다.

자율주행, 라이다 개요, ROS, 3D 점군 처리, 객체 검출, SLAM 까지

라이다 센서와 관련된 다양한 주제로 교육을 진행하고 왔는데요 ㅎ

학교, 연구원, 기업에서 많이 오시고 열정적으로 참여해주셔서 즐거운 시간이 되었습니다 ㅎ

행사에 직접 참여하시지는 못했지만

관련 기술에 관심이 있으신 분들을 위해서 해당 교육에서 사용했던 교육 자료를 공유드리고자 합니다ㅎ

이론과 실습 데이터를 포함한 모든 자료를 아래의 링크에서 다운 받으실수 있습니다 ㅎ

[http://gofile.me/4C4Zg/DObi9XpQy](http://gofile.me/4C4Zg/DObi9XpQy)

자료를 살펴보시고 진행중인 연구에 조금이나마 도움이 되셨으면 하는 바람입니다!

감사합니다 ㅎ 좋은 주말 보내시기 바랍니다ㅎ
https://www.facebook.com/groups/datakorea/permalink/1349148285253979/?sfnsn=mo

안녕하세요. 딥러닝 연구하실 때 주로 사용하시는 데스크탑/랩탑의 운영체제는 어떤 것을 사용하시는지 궁금해서 설문을 한번 작성해 봤습니다. 선택 항목을 임의로 추가했는데, 혹시 항목이 없는 경우 항목을 추가해주시거나 댓글로 달아주시면 감사하겠습니다 :)
https://www.facebook.com/groups/datakorea/permalink/1349148285253979/?sfnsn=mo

High-quality image editing using a new GAN framework! (video below shows image editing using scribbles)
[https://www.profillic.com/paper/arxiv:1911.11544](https://www.profillic.com/paper/arxiv:1911.11544)

code request link: http://bit.ly/ImageEditingGAN

Applications: image reconstruction, image inpainting, image crossover, local style transfer, image editing using scribbles, and attribute level feature transfer
https://www.facebook.com/groups/DeepNetGroup/permalink/1015294845530064/?sfnsn=mo

한-영 번역 AI 데이터 160만 문장 전면공개(The Science Monitor 김병석 기자)

솔트룩스 파트너스(www.mobico.com )는 12월중에 한국정보화진흥원이 운영하는 AI허브(http://www.aihub.or.kr) 에 고품질 인공지능 번역 말뭉치 160만쌍을 공개한다.

인공지능 번역 학습을 위한 말뭉치는 ‘원문-번역문’의 문장쌍이 하나의 데이터를 이룬다. 따라서 160만 문장이라 함은 160만 문장쌍을 의미한다. 지난 5월 15일 한국정보화진흥원이 발주한 2019 인공지능데이터 구축사업의 주관사업자로 선정된 후 6.5개월간 300명이상의 구축인력을 통해 얻어낸 결과물이다.

* 출처 : http://scimonitors.com/%ED%95%9C-%EC%98%81-%EB%B2%88%EC%97%AD-ai-%EB%8D%B0%EC%9D%B4%ED%84%B0-160%EB%A7%8C-%EB%AC%B8%EC%9E%A5-%EC%A0%84%EB%A9%B4%EA%B3%B5%EA%B0%9C/
https://www.facebook.com/113979985329905/posts/2659217740806104/?sfnsn=mo

Enormous applications for graphics, medical imaging, engineering & entertainment industry: Fix the lighting of any poorly-lit 3D models you have!
https://www.profillic.com/paper/arxiv:1911.11530

code request link to authors: http://bit.ly/Relighting

(relighting done using multiview image inputs)
https://www.facebook.com/groups/datakorea/permalink/1349148285253979/?sfnsn=mo

Virtual Dressing Application using Deep Learning and Computer Vision.

[https://www.youtube.com/watch?v=sYdoLNQOzsk](https://www.youtube.com/watch?v=sYdoLNQOzsk&fbclid=IwAR1nUUcrr7yoeBVDz04jkqhEOlH_kCq7vdjQvGPxXrrm5iT05D4mcoH4TbA)
https://www.facebook.com/groups/machinelearningforum/permalink/10158529504863475/?sfnsn=mo

Recover very accurately the 3D shape of human faces, cat faces and cars from single-view images! https://www.profillic.com/paper/arxiv:1911.11130 

Once trained, the model reconstructs the 3D pose, shape, albedo and illumination of a deformable object instance from a single image with excellent fidelity.
https://www.facebook.com/groups/1738168866424224/permalink/2464672923773811/?sfnsn=mo

The cause of poor performance in machine is either overfitting or underfitting the data

To explain it simply :
Machine ignoring - underfitting
Machine learning - Goodfitting
Machine memorising - overfitting

For more updates follow @heu.ai

#machinelearning
#underfitting
#overfitting #ai #artificialintelligenceai #computervision #deeplearning #heuai #classification #regression #algorithms #python #robotics #technology #innovation #opencv #accuracy
https://m.facebook.com/story.php?story_fbid=152372286143806&id=107932853921083&sfnsn=mo

ICCV 2019 학회에서 관심있던 포스터들 위주로 정리하였습니다 :) 글들마다 포스터 + 몇몇 포스터들은 내용 설명이 적혀있습니다.


https://www.facebook.com/groups/slamkr/permalink/1029141977445446/?sfnsn=mo

State of the art in human-motion transfer!

https://www.profillic.com/paper/arxiv:1911.10672

code request link that goes to authors: (link works for laptop/desktop) http://bit.ly/motiontransfer

(Their method achieves appearance-controllable synthesis with higher video quality than state-of-art based on only one-time training)
https://www.facebook.com/groups/DeepNetGroup/permalink/1014152448977637/?sfnsn=mo

이번 ICCV 자료를 보다가, 예전 ICCV / CVPR 영상들을 보니까 좋은 워크샵 / 튜토리얼 영상들이 있더라구요! 컴퓨터 비전 공부하시는 분들께 도움되는 자료가 많은 것 같아 공유합니다 😇

ICCV 2019 튜토리얼 / 워크샵 영상 모음

https://www.notion.so/torchvision/ICCV-2019-41b81ab87c20488899dfbf88e64af24b

 CVPR 2018 튜토리얼 / 워크샵 영상 모음

https://www.notion.so/torchvision/CVPR-2018-a5b487951048478483c7b89ed8fa4bc6

ICCV 2017 튜토리얼 / 워크샵 영상 모음

https://www.notion.so/torchvision/ICCV-2017-a838641aacaf46daa0c25989d1b47b3f

 CVPR 2017 튜토리얼 / 워크샵 영상 모음

https://www.notion.so/torchvision/CVPR-2017-a21294057f9941638d0f689fa8227b60
https://www.facebook.com/groups/datakorea/permalink/1349148285253979/?sfnsn=mo

Hi DataScience enthusiast
.
Are you fresher or professional looking out to make your path as "Data Scientist" and here something for you for upcoming 30days(prepare yourself and get hired )
.
DataScience interview questions #day25
.
If you missed #day1  #day2 #day3  #day4 #day5   #day6  #day7   #day8  #day9  #day10  #day11 and #day12 #day13 #day14 #day15 #day16 #day17  #day18 #day19 #day20 #day21 do have a look

https://m.facebook.com/story.php?story_fbid=135246681214723&id=110658260340232

https://m.facebook.com/story.php?story_fbid=135821337823924&id=110658260340232

.https://m.facebook.com/story.php?story_fbid=136433987762659&id=110658260340232

https://www.facebook.com/110658260340232/posts/136969684375756/

https://www.facebook.com/110658260340232/posts/137702250969166/

https://www.facebook.com/110658260340232/posts/138112590928132/

https://m.facebook.com/story.php?story_fbid=138676314205093&id=110658260340232

https://m.facebook.com/story.php?story_fbid=140261140713277&id=110658260340232

https://m.facebook.com/story.php?story_fbid=140761347329923&id=110658260340232

https://www.facebook.com/110658260340232/posts/141312763941448/

https://m.facebook.com/story.php?story_fbid=143401177065940&id=110658260340232

https://m.facebook.com/story.php?story_fbid=144434130295978&id=110658260340232

https://m.facebook.com/story.php?story_fbid=144963626909695&id=110658260340232

https://m.facebook.com/story.php?story_fbid=145523930186998&id=110658260340232

https://m.facebook.com/story.php?story_fbid=146489273423797&id=110658260340232

https://m.facebook.com/story.php?story_fbid=146967866709271&id=110658260340232

https://m.facebook.com/story.php?story_fbid=147475409991850&id=110658260340232

https://m.facebook.com/story.php?story_fbid=147911999948191&id=110658260340232

#datascience #machinelearning #artificiallearning
https://m.facebook.com/story.php?story_fbid=148356479903743&id=110658260340232&sfnsn=mo

EfficientDet : Object Detection 분야 11월20일 State-of-the-art(SOTA) 달성 논문

성능도 우수하면서 기존 대비 연산 효율이 압도적으로 좋아 연산량, 연산 속도에서 매우 효율적인 모델이라고 합니다.

Image Classification 을 위한 EfficientNet을 Object Detection에 접목시켜서 매우 우수한 성능을 달성.

Google Research, Brain Team 의 논문.

정확하게는 모르지만, 자료만 보면

기존에 정확율은 좀 떨어지더라도 연산량/속도에서 YOLO 가 가장 좋은 편이라고 알고 있었는데

이 논문은 연산량/속도 효율성과 정확도에서 모두 압도적인 것 같네요.

자세한 내용은 아래 링크해 놓은 논문과 이 논문을 리뷰한 글 보세요.

논문: https://arxiv.org/pdf/1911.09070v1.pdf

한글 리뷰: https://hoya012.github.io/blog/EfficientDet-Review/
https://www.facebook.com/groups/KerasKorea/permalink/3137953302887280/?sfnsn=mo

Towards Data Science(TDS)에서 지금까지 올라온 주옥같은 포스트들을 주제별로 분류하여 제공하였습니다.

https://www.facebook.com/groups/datakorea/permalink/1349148285253979/?sfnsn=mo

Remove motion blur from a blurry image!
[https://www.profillic.com/paper/arxiv:1911.08541](https://www.profillic.com/paper/arxiv:1911.08541)

(They restore a sharp image by fusing a pair of noisy/blurry images captured in a burst)
https://www.facebook.com/groups/PyTorchKR/permalink/1539376382868704/?sfnsn=mo

What Will Your Child Look Like? DNA-Net: Age and Gender Aware Kin Face Synthesizer
https://www.profillic.com/paper/arxiv:1911.07014

They propose a two-stage kin-face generation model to predict the appearance of a child given a pair of parents
https://www.facebook.com/groups/1738168866424224/permalink/2457239894517114/?sfnsn=mo

STATE OF THE ART IN 3D MORPHABLE MODEL OF THE HUMAN HEAD
Enormous applications in computer vision, computer graphics, biometrics, and medical imaging.
https://www.profillic.com/paper/arxiv:1911.08008
https://www.facebook.com/groups/DeepNetGroup/permalink/1008757379517144/?sfnsn=mo

ICCV 2019에 참석하여 들은 내용 중에 인상적이었고 흥미로웠던 내용을 정리하여 연구실에서 발표한 자료를 공유합니다!

정리한 주제는 아래와 같습니다.
- Medical AI : Registration & MR2CT
- Image Synthesis : Seeing What a GAN Cannot Generate
- XAI
- SinGAN

많은 분들께 도움이 되었으면 좋겠습니다😀
문제될 경우 삭제하도록 하겠습니다.

링크 : https://www.slideshare.net/mobile/DongminChoi6/iccv-2019-review-cdm

※ 참고로 피피티 내용은 학회에 참관하며 찍은 사진을 바탕으로 발표자 분의 피피티와 비슷하게 구성하였습니다.
https://www.facebook.com/groups/TensorFlowKR/permalink/1041013296239728/?sfnsn=mo

Virtually wear any clothes!

[https://www.profillic.com/paper/arxiv:1911.07926](https://www.profillic.com/paper/arxiv:1911.07926)

(Researchers from Tokyo develop a Virtual Try-on Generative Adversarial Network (VITON-GAN), that generates virtual try-on images using images of in-shop clothing and a model person)
https://www.facebook.com/groups/DeepNetGroup/permalink/1009657776093771/?sfnsn=mo

안녕하세요, TF-KR 여러분!

그동안 많은 좋은 정보들을 눈팅만 하다가 여러분께 의견을 구하고 싶은 것이 있어 처음으로 글을 남깁니다!

내용은 시계열 데이터들을 변화 양상에 따라 유사한 것들끼리 클러스터링 하고자 하는 것입니다.

아래 이미지는 5개 데이터 샘플의 그래프이고 총 10,000여개 정도의 데이터를 가지고 있습니다.

파생 변수를 생성하여 파생 변수를 통해 클러스터링을 진행해보기도 했는데 근본적인 데이터 흐름에 따른 클러스터링을 하고 싶습니다.

그래프 이미지를 클러스터링하는 방법도 있을 것 같은데 감을 잡기도, 방법을 찾는 것도 너무 만만치가 않네요…ㅎㅎㅎ

5개의 그래프가 그려져있는 각각의 이미지는 같은 데이터들을 grouping하는 범위만 다르게 한 것입니다.

좋은 방법이나 참고할만한 좋은 자료를 추천해주시면 너무 감사하겠습니다ㅠㅠ

가장 간단하게는 tslearn 패키지로 시작해보세요. time-series clustering method들을 함수로 정의해놓은 sklearn같은 패키지입니다. 그리고 보통 time series에 한해서는 time-dependent measure (distance-based clustering의 경우..) Dynamic Time Warping distance가 많이 거론되니 공부해보시고.... 위에 댓글 남겨주신 것처럼 deep learning으로 넘어오게 되면 autoencoder, seq2seq autoencoder로 latent representation을 학습한 후에 그것들의 클러스터를 구하는 방법도 논문에서 많이 찾아볼 수 있습니다. 기본적으로 어떤 방법들이 그동안 연구되었는지 보고 싶으시면 Survey on time-series clustering 요런 식으로 검색해보세요.

grouping 문제도 결국 feature space상에서 어떻게 cluster를 만들어 갈 것이냐 하는 문제라서 각 그래프들의 feature를 어떻게 뽑아낼 것인지를 고민하는 문제로 바꿔 생각해볼 수 있을듯합니다. 간단하게는 autoencoder부터 돌려보시고, meta learning쪽 둘러보신 후에 clustering은 전통의 knn같은 것으로 묶어보심 어떨까요



https://www.facebook.com/groups/PyTorchKR/permalink/1539376382868704/?sfnsn=mo