안녕하세요. 강의 정말 잘 듣고있습니다!다름이 아니라 MMDetection을 다시 공부하던 중 모델 아키텍쳐 부분에서 densehead와 roihead의 차이가 궁금해져서 이렇게 글을 남깁니다.설명에는 densehead와 roihead 모두 object의 위치와 classification을 수행한다고 나와있어서요.. 감사합니다!

모델 학습이나 논문 리뷰 등에 질문이 있으시다면 언제든지 남겨주세요!강의 피드백도 환영입니다! 처음으로 AI 입문하여 포즈추정에 관심이 생겨 강의를 수강하게 되었습니다.개발환경을 같이 설정하고 싶은 마음에 영상 보고 우분투를 설치했는데 보통 처음 설치할 때 [디스크 제거 후 우분투 설치]해야 오류가 안 난다고 하셔서 선택하고 설치했습니다. usb 기존 데이터 삭제로 알고 별 생각없이 눌렀는데 사실 기존 윈도우가 삭제라는 걸 뒤늦게 알았는데 복구 방법이 있을까요?제대로 알지 않고 무작정 따라해서 윈도우 데이터 다 날린 제가 답답하네요* 질문에 대한 답변은 일주일 정도 걸릴 수 있습니다.

안녕하세요 선생님강의 잘 보고 있습니다구글넷의 인셉션 모듈 설명 중에 MAX pooling이 포함되어 있는데요보통 max pooling은 인풋의 사이즈를 줄이는 것으로 알고 있는데 그러면 다른 컨볼루션이 통과된 아웃풋과 사이즈가 달라져서 concat이 안되는 거 아닌가요?아니면 여기에 포함된 컨볼루션들은 max pooling과 같은 stride를 같는 걸까요?

파이썬 텐서플로우 설치하기 영상을 보고 있는데  RBP_DL01_Raspberry pi install ? Edited (영상에 나와있는 해당문서)  해당 문서는 어디에 있나요? 강의자료 다운받은 곳에는 없는거 같습니다.  제가 받은 자료는 아래와 같습니다. 이거말고 다른곳에서 더 추가로 받아야 하나요?  

안녕하세요 선생님강의 정말 잘 보고 있고요제 많은 질문들에도 너무 성심성의껏 답변 달아주셔서 감사합니다 ㅎㅎBatchNorm이 설계된 의도는 internal covariate shift를 해결하기 위해 제안되었다는 것은 이해했습니다.하지만 실제로는 그렇지 않고 optimization surface를 매끄럽게 해서 학습이 잘된다라고 설명하신 것까지 들었습니다.제가 이해한 바로는 활성화 함수에 들어가는 입력의 분포를 조정해서 학습이 잘되는 위치? 분포를 학습하는 것으로 이해했는데요(sigmoid로 예시를 든다면 더 이상 업데이트가 되지 않아도 될 정도라면 기울기가 saturate되는 부분으로 혹은 업데이트가 많이 되어야 한다면 0부근으로 이동시키는 등의) 정확히 어떤 원인에 의해 surface가 매끄러워지는 효과를 가지게 되는 것인지 궁금합니다..!

안녕하세요 수업 자료를 다운 받았는데, 혹시 강의 슬라이드가 없어서요 확인 가능하실까요?

안녕하세요 선생님강의 정말 잘 보고 있습니다.Layer Normalization을 보는 중에 입력 데이터를 Normalization하는 것을 통해 scale이나 shift에 robust하게 되는 것까진 이해했습니다.이런 효과가 왜 이미지보다 언어 모델에 더욱 효과적인지 이유를 알 수 있을까요?

실습파일을 안내해주신 사이트에서 확인할 수가 없습니다.확인부탁드립니다.

실습 파일 예제를 받고 싶은데 안내해주신 사이트에는 없습니다.확인부탁드립니다.

SPP Layer의 경우 여러 Spatial Bins를 사용하여 이미지의 작은 부분부터 큰 부분까지의 정보를 취합하는 것으로 이해했습니다. 또한 ROI Pooling Layer의 경우 SPP Layer에서 Level이 1인 Bins만 적용하는 것으로 이해했습니다. 여기서 의문이 드는 것이 여러 정보를 종합적으로 취합한 SPP Layer가 ROI Pooling Layer보다 성능이 뛰어날 것으로 (직관적으로) 생각이 드는데, Fast RCNN에서 ROI Pooling을 선택한 이유가 궁금합니다.  실험적인 결과로 ROI Pooling을 선택했겠지만, ROI Pooling이 SPP Layer보다 Object Detection에서 우수한 성능을 보이는 이유가 궁금합니다!

각 freture map 의 이미지 조각 갯수를 더하고 여기에 마지막에 3을 곱해주는데 여기에 대해서 좀 더 설명 부탁 드립니다.

여기서 네트워크를 구성할 때 맨 마지막에 sigmoid를 태운 후에 마지막에 또 Softmax를 태우는데, 이렇게 할 거면 애초부터 네트워크의 마지막단을 sigmoid가 아닌 softmax를 태우면 되는 거 아닌가요?왜 sigmoid를 거친 후에 softmax를 태워야 하는 것인지 알 수 있을까요?

Ultralytics Yolo 실습 - 01 의 옥스포드 pet 데이터를 가지고 테스트 부분 따라하고 있습니다. 그런데 test.py가 없다는 오류가 뜹니다. test.py는 어느 단계에서 어떤 코드에 의해 만들어진 건가요?

"NMS의 이해" 편 5:40에서 "Confidence score가 높을수록, IoU Threshold가 낮을수록 많은 Box가 제거된다"라고 말씀하셨는데,Confidence score가 아닌, Confidence threshold가 아닌지 질문 드립니다. 

 실습의 실행하기를 따라해보면 추론은 되지 않고 실행결과에 다음과 같은 문구가 들어있어요. 왜 실행이 안되는 걸까요?AttributeError: Can't get attribute 'SimConvWrapper' on <module 'yolov6.layers.common' from '/content/gdrive/MyDrive/yolo/YOLOv6/yolov6/layers/common.py'>

엔비디아 gpu내장안되어있으면 gpu사용이 안되는건가요? 제 노트북은 Intel Arc TM Graphics 입니다.

안녕하세요 mmdetection을 설치하려고 하는데로컬에 있는 GPU를 사용해서 학습을 해보려고 합니다.코랩에서 제공하는 GPU 말고 로컬의 GPU를 사용할 수 있는 방법이 있을까요?

선생님 ㅠ저는 노트북 카메라 화면을 가져오려고 해서 index는 0으로 기입했구요.try 구문에서 CvCapture.FromCamera 가져올 때부터 결과가 null이더라구요.Exception 메시지를 확인해보니까, "OpenCvSharp.CPlusPlus.NativeMethods'의 형식 이니셜라이저에서 예외를 Throw했습니다." 라고 하는데, 이 문제는 어떻게 해결해야 하나요?? ㅠ

안녕하세요 선생님시간과 체력이 더 많았으면 좋겠다는 생각이 들 정도로 강의를 너무 재밌게 보고 있습니다Mini batch Gradient Descent 이론 편에서 Mini batch Size에 비례하지 않는다는 설명을 보았는데요.물론 병렬처리를 하기 때문에 정비례하지 않겠지만 GPU에 올릴 수 있는 최대 데이터양이 100개라고 가정한다면 미니배치를 200, 300, .. 이런 식으로 키운다면 미니 배치크기에 따라 비례하는 것은 맞지 않나요?혹시 제가 잘못 생각하고 있다면 말씀해주세요  감사합니다!

안녕하세요?: 선생님강의 정말 재밌게 잘 보고 있습니다.강의 내용 중에 Huber Loss는 전미분이 한 번밖에 되지 않는다는 단점을 언급해주셨는데요Gradient Descent를 적용할 때는 weight에 대한 편미분만 적용하기 때문에 역전파 시에는 무관한 거 아닐까요?따라서 Epoch를 2 이상의 숫자를 두고 학습하는데 전혀 지장이 없는 거 아닌가요?왜 전미분이 1번만 된다는 게 단점이 된다는 것인지 이해가 잘 되지 않습니다.