`ModelCheckpoint`는 모델 학습 중에 특정 조건을 만족할 때 모델의 가중치(weight)나 전체 모델 상태를 저장하는 Keras 콜백 함수이고 학습이 중단되거나 중간에 멈췄을 때도 이전에 저장된 모델을 불러와 이어서 학습할 수 있다.  `ModelCheckpoint`에 저장되는 내용 1. 모델 가중치 (Weights):    - 모델의 훈련된 가중치(파라미터)를 저장한다. 가중치는 모델의 학습 중에 업데이트되는 중요한 값이다.    - 기본적으로 `save_weights_only=False`로 설정되면, 모델의 전체 구조와 가중치를 모두 저장한다. 만약 `save_weights_only=True`로 설정하면, 가중치만 저장된다. 2. 모델의 전체 상태:    - 모델의 가중치뿐만 아니라 모델..

제로 패딩(Zero Padding)은 주로 합성곱 신경망(Convolutional Neural Network, CNN)에서 사용되는 기술로, 입력 데이터의 가장자리에 0을 추가하여 출력의 크기를 조정하는 방법이다.    제로 패딩의 주요 목적1. 출력 크기 조정: 합성곱 연산 후 출력의 크기를 입력의 크기와 동일하게 유지하거나 원하는 크기로 조정하여 모델의 입력과 출력 크기를 일치시킬 수 있다. 2. 특성 보존: 입력 데이터의 가장자리 정보가 손실되지 않도록 하여, 이미지의 가장자리에 있는 특성도 학습할 수 있게 한다. 3. 연산의 안정성: 필터가 입력 데이터의 가장자리에 위치할 때 발생할 수 있는 문제를 방지한다. 특히, 필터가 입력의 가장자리에 닿을 때, 필터의 전체 영역이 입력 데이터에 맞지 않기 ..

주파수 도메인 기법에서 로우패스 필터(Low-Pass Filter)는 이미지 처리와 신호 처리에서 높은 주파수 성분을 제거하고 낮은 주파수 성분만 통과시킨다.   로우패스 필터의 주요 특징 - 높은 주파수 성분 제거: 이미지의 세부 정보나 경계와 같은 높은 주파수 성분을 제거한다. 이는 이미지가 흐려지게 만든다. - 낮은 주파수 성분 통과: 낮은 주파수 성분, 즉 이미지의 주요 구조와 같은 저주파 성분은 통과시킨다.  용도 - 이미지 흐림: 세부 정보를 흐리게 하여 이미지가 부드럽게 보이도록 한다. 이는 주로 이미지의 노이즈를 줄이거나, 부드럽게 만들기 위해 사용된다. - 노이즈 제거: 고주파 노이즈를 제거하여 이미지의 품질을 개선한다.    대표적인 로우패스 필터 - 가우시안 필터(Gaussian Fi..

원근 변환(Perspective Transformation)에서 호모그래피 행렬을 사용하여 이미지를 변환할 때, 등차 좌표계(Homogeneous Coordinates)와 데카르트 좌표계(Cartesian Coordinates) 간의 변환 과정이다. 1. 등차 좌표계(Homogeneous Coordinates) - 정의: 등차 좌표계는 추가적인 차원을 사용하여 점을 표현하는 방법이다. (Projective Geometry)- 형식: 점을 \((x, y, w)\) 형태로 표현하며, 여기서 \( w \)는 정규화 팩터이다.  2. 호모그래피 행렬(Homography Matrix) - 형식: 호모그래피 행렬은 3x3 행렬로 주어지며, 각 요소는 \( h_{ij} \)로 표기된다. - 용도: 이미지의 원근 변환..

원근 변환(Perspective Transformation)은 이미지나 비디오에서 원근 투영을 보정하거나 조정할 때 사용되는 기하학적 변환이며 주로 스캐너 앱이나 사진의 왜곡 보정에 활용된다. 호모그래피 행렬(Homography Matrix):원근 변환을 수학적으로 표현하는 데 사용된다.두 이미지 간의 점 대응 관계를 기반으로 계산된다.원근 변환을 매핑하는 3x3 행렬로, 원본 이미지의 점을 대상 이미지의 점으로 변환한다.변환 과정:점 선택: 소스 이미지와 대상 이미지에서 각각 4개의 대응 점을 선택한다.행렬 계산: 선택된 점들을 사용하여 호모그래피 행렬을 계산한다.변환 적용: 계산된 행렬을 사용하여 소스 이미지의 점을 대상 이미지의 점으로 변환한다.적용 예:스캐너 앱: 문서나 이미지의 왜곡을 보정하여 ..

1. 회귀(Regression):     - 목적: 주어진 입력(input)을 바탕으로 연속적인 값(실수)를 예측하는 것.    -  주택의 면적을 입력으로 받아 주택 가격을 예측. 2. 분류(Classification):     - 목적: 입력 데이터를 보고 해당 데이터가 어떤 범주(클래스)에 속하는지를 예측하는 것.    -  이메일이 스팸인지 아닌지 분류, 손글씨 숫자 인식. 3. 군집화(Clustering):     - 목적: 데이터를 비슷한 것끼리 그룹화(클러스터링)하는 것.    - 특징: 비지도 학습의 대표적인 예. 정답(label)이 주어지지 않은 데이터에서 유사한 특징을 가진 데이터끼리 그룹을 형성.    -  고객 세그먼트 분석, 문서 유사도 분석. 4. 강화학습(RL: Reinforc..