4조(1조) - 편집 역사

9조(9조): /* 프로토타입 사진 혹은 작동 장면 */

2019-12-26T14:05:19Z

‎프로토타입 사진 혹은 작동 장면

9조(9조): /* 제품의 요구사항 */

2019-12-26T14:03:36Z

‎제품의 요구사항

9조(9조): /* 제품의 요구사항 */

2019-12-26T14:02:51Z

‎제품의 요구사항

9조(9조): /* 설계 사양 */

2019-12-26T13:59:40Z

‎설계 사양

9조(9조): /* 관련 기술의 현황 및 분석(State of art) */

2019-12-26T13:54:47Z

‎관련 기술의 현황 및 분석(State of art)

4조(4조): /* 이론적 계산 및 시뮬레이션 */

2019-12-26T13:53:23Z

‎이론적 계산 및 시뮬레이션

4조(4조): /* 개념설계안 */

2019-12-26T13:53:07Z

‎개념설계안

9조(9조): /* 관련 기술의 현황 및 분석(State of art) */

2019-12-26T13:52:19Z

‎관련 기술의 현황 및 분석(State of art)

4조(4조): /* 개념설계안 */

2019-12-26T13:50:13Z

‎개념설계안

4조(4조): /* 개념설계안 */

2019-12-26T13:49:58Z

‎개념설계안

← 이전 판		2019년 12월 26일 (목) 14:05 판
440번째 줄:		440번째 줄:

	====프로토타입 사진 혹은 작동 장면====		====프로토타입 사진 혹은 작동 장면====
−	내용

@@ 407번째 줄: / 407번째 줄: @@
 가. 사용자 요구사항
-[[파일:user_dw.jpg]]
+[[파일:user_dw.png]]
 나. 목적계통도
-[[파일:func_chart.jpg]]
+[[파일:func_chart.png]]
 ====설계 사양====

@@ 404번째 줄: / 404번째 줄: @@
 ===설계사양===
 ====제품의 요구사항====
-Vuforia나 Unity 등 대중성 있는 도구를 활용함으로서 VR, AR 관련 시스템을 개발
 ====설계 사양====

@@ 408번째 줄: / 408번째 줄: @@
 ====설계 사양====
-프로세서 : Intel(R) Core(TM) i5-8250U CPU @ 1.60GHz 1.80GHz
+◇ 사용자가 원하는 영상을 입력하도록 한다.
-설치된 메모리(RAM) : 8.00GB
-시스템 종류 : 64비트 운영 체제, x64 기반 프로세서
+◇ 사용자에게 변환할 수 있는 민화, 탱화의 원본이미지와 국악을 제공한다.
 ===개념설계안===

@@ 58번째 줄: / 58번째 줄: @@
 Neural Style Transfer의 동작과정은 다음과 같다.
-[[파일:1.png]]
+[[파일:neural_s_t.png]]
@@ 109번째 줄: / 109번째 줄: @@
-[[파일:4.png]]
+[[파일:VGG_1.png]]
 논문에서는 깊이에 따른 성능 변화를 비교하기 위해 다양한 모델을 구성하였다. 위 이미지는 논문에서 구성한 모델을 보여준다. 모델 A를 기본으로 하여, LRN(Local Response Normalization)을 추가한 모델 A-LRN, A에 레이어를 추가시킨 모델 B, B에 레이어를 추가시키되 Conv로 인한 영향이 없이 Non-Linearity만을 늘이기 위한 방법으로 1*1 Conv를 3개 추가한 C, C의 대조군으로 3*3 filter를 갖는 Convolutional Layer를 3개 추가한 D(VGG 16), D에 3*3 Convolutional Layer를 3개 추가한 E(VGG 19)를 사용하였다.
-[[파일:5.png]]
+[[파일:VGG_2.png]]
 위 이미지는 각 레이어별로 학습을 진행한 결과이다. A와 A-LRN의 비교 결과 큰 차이가 없으므로 CNN모델에서 중간에 들어가는 정규화는 큰 의미가 없음을 확인 가능하다. B와 C를 비교한 결과 큰 차이가 없으므로, 깊은 학습은 Convolutional을 통한 분할이 중요함을 확인 가능하다. 여기서 주목할 만한 사항은, D와 E를 비교했을 때, 깊을수록 더 좋은 결과를 보이던 이전까지와는 달리, 같거나 나쁜 성능을 보이고 있다는 점이다. 이는 Vanishing-gradient로 해석 가능하지만, 이 논문의 경우는 Activation funcdtion으로 ReLU를 사용하였는데도 위와 같은 현상이 발생하였다. 이를 해결하여 레이어를 152개까지 쌓은 모델이 ResNet으로, ResNet은 일정 개수의 레이어마다 몇 단계 이전의 레이어의 결과를 앞으로 가져오는 방식을 통해 이 문제점을 해결하였다.
-[[파일:6.png]]
+[[파일:VGG_1616.png]]
 위 이미지는 VGG16의 구조이다. 8~16개의 Convolutional Layer와 5개의 Max-Pooling Layer, 3개의 Fully-Connected Layer를 갖는다. Convolutional Layer(3*3 filter, stride=1, padding=True)에서는 레이어의 개수에 변화를 줘서 정확도에 대한 신경망 깊이의 영향력을 실험하고, 패딩을 적용해 이미지의 크기를 유지한다.
@@ 145번째 줄: / 145번째 줄: @@
-[[파일:7.png]]
+[[파일:audio_s_t.png]]
 Input A : content 오디오, Input B : style 오디오
@@ 170번째 줄: / 170번째 줄: @@
 <적용 예시>
-[[파일:8.png]]
+[[파일:content_spectrum.png]]
 content 오디오는 랩 음악, style 오디오는 말하기(연설)이다. Result 스펙트로그램이 content 오디오의 스펙트로그램처럼 보이면서도 style 스펙트로그램의 패턴을 갖고 있는 것을 볼 수 있다. Result 오디오를 들어보면 래퍼의 목소리가 style 오디오의 화자의 목소리로 바뀐 것처럼 들린다.

← 이전 판		2019년 12월 26일 (목) 13:53 판
416번째 줄:		416번째 줄:

	===이론적 계산 및 시뮬레이션===		===이론적 계산 및 시뮬레이션===
−	~~VR : 총을 이용한 가상 게임 구현~~
−	~~AR : 만원 짜리 지폐를 인식해 주변에 행성 모양을 띄워주는 시스템 구현~~

	===상세설계 내용===		===상세설계 내용===

@@ 413번째 줄: / 413번째 줄: @@
 ===개념설계안===
-[[파일:ㅁㅇ.jpg]]
+[[파일:ㅁㅇ.png]]
 ===이론적 계산 및 시뮬레이션===

@@ 79번째 줄: / 79번째 줄: @@
 CNN의 작동원리를 상세히 알기 위해 필요한 기본 개념으로는 Convolution(합성곱), Padding, Stride, Pooling 등이 있다. Convolution은 두 함수 중 하나를 반전(reverse)하고 이동(shift)시켜가며 다른 하나의 함수와 곱한 결과를 적분해나간다는 뜻이며, 다음 그림을 통해 이해할 수 있다.
-[[파일:2.png]]
+[[파일:CNN_1.png]]
 Input의 각 픽셀과 Filter의 각 픽셀을 곱한 값의 총합을 Feature Map에 저장한다.
@@ 95번째 줄: / 95번째 줄: @@
 Pooling은 Convolution layer의 출력 데이터를 input으로 받아 출력 데이터(Activation Map)의 크기를 줄이거나 특정 데이터를 강조하기 위해 사용된다. 풀링 레이어를 처리하는 방법으로는 정사각 행렬의 특정 영역 안 값의 최댓값을 모으는 Max Pooling, 특정 영역의 평균을 구하는 Average Pooling, 최소값을 모으는 Min Pooling 등이 있다.
-[[파일:3.png]]
+[[파일:CNN_2.png]]
 위 그림은 전형적인 CNN 구성이다. Convolution Layer와 Max Pooling Layer를 반복적으로 쌓으며 특징을 추출한다.