목록image (6)
On the journey of
1. 생성형 인공지능이란? 기계가 사람처럼 생각하고 행동할 수 있는 지능(추론, 문제해결, 창작, 개발을 할 수 있는 지적 능력)을 갖도록 만드는 기술을 의미한다. 이때 추론, 문제해결, 계획, 아이디어 이해 등은 전통적인 인공지능의 영역으로 예측, 판단, 분류 등에 활용되는 반면 창작, 개발 등 정답이 없는 생성형 인공지능 분야는 오디오, 코드, 텍스트, 영상 등 새로운 콘텐츠를 생성하는 데 사용할 수 있는 알고리즘을 포함한다. 이 중 생성형 AI는 Text, Images & Video, Audio(음성), Chatbots, Search(검색기능) 등 크게 5개 종류로 나눌 수 있다. 특히 검색기능의 경우, 검색기능 구현을 위해 NLP와 ML(머신러닝)을 같이 활용하기 때문에 아직 갈 길이 멀다(!)...
[논문읽기] U-Net: Convolutional Networks for Biomedical Image Segmentation
Original Paper ) https://arxiv.org/pdf/1505.04597.pdf (https://arxiv.org/abs/1505.04597) U-Net: Convolutional Networks for Biomedical Image Segmentation There is large consent that successful training of deep networks requires many thousand annotated training samples. In this paper, we present a network and training strategy that relies on the strong use of data augmentation to use the available..
[논문읽기]Liquid Warping GAN with Attention: A Unified Framework for Human Image Synt
Original Paper ) https://arxiv.org/abs/2011.09055 Liquid Warping GAN with Attention: A Unified Framework for Human Image SynthesisWe tackle human image synthesis, including human motion imitation, appearance transfer, and novel view synthesis, within a unified framework. It means that the model, once being trained, can be used to handle all these tasks. The existing task-specific metarxiv.org해당 ..
[Paper]Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery
OVERVIEW 의료, 기계 등의 분야에서 Anomaly detection (비정상 데이터 탐지)는 매우 중요하다. 현재 몇 회사들은 인공 지능을 활용해 기계의 결함을 분석한다든지, 의료 데이터를 활용해 환자의 질병을 도출하는 기술들을 개발 중이다. 하지만 위와 같은 데이터들은 몇 가지 문제점들이 있다. (1) 정상 데이터에 비해 비정상 데이터의 양은 현저히 낮다. (2) 모든 이미지 데이터를 라벨링 하기에는 큰 인력이 필요하다. (3) 이미지 전체의 특징 활용도가 낮다. 이외에도 몇 가지 문제점들이 존재하는데, 이 문제점들을 해결하고자 이 논문이 등장하게 되었고, 저자는 이 논문의 제목처럼 unsupervied learning (비 지도 학습)과 GAN을 사용하였다. 간략히 설명하자면 여기서 Unsup..