DEEG조 - 편집 역사

DEEG: /* 완료작품의 평가 */

2019-06-21T06:32:31Z

‎완료작품의 평가

DEEG: /* 향후계획 */

2019-06-21T06:31:17Z

‎향후계획

DEEG: /* 완료작품의 평가 */

2019-06-21T06:27:55Z

‎완료작품의 평가

DEEG: /* 완료작품의 평가 */

2019-06-21T06:27:15Z

‎완료작품의 평가

DEEG: /* 프로토타입 사진 혹은 작동 장면 */

2019-06-21T06:13:45Z

‎프로토타입 사진 혹은 작동 장면

DEEG: /* 프로토타입 사진 혹은 작동 장면 */

2019-06-21T06:09:52Z

‎프로토타입 사진 혹은 작동 장면

DEEG: /* 상세설계 내용 */

2019-06-21T05:51:23Z

‎상세설계 내용

DEEG: /* 상세설계 내용 */

2019-06-21T05:49:51Z

‎상세설계 내용

DEEG: /* 상세설계 내용 */

2019-06-21T05:43:38Z

‎상세설계 내용

DEEG: /* 상세설계 내용 */

2019-06-21T05:41:57Z

‎상세설계 내용

@@ 235번째 줄: / 235번째 줄: @@
 ===완료작품의 평가===
   먼저 사람의 감정을 Labeling 한 EEG를 학습시켰을 때 총 데이터의 크기가 47개밖에 되지 않았고 100Epoch만을 학습했음에도 불구하고 Validation Set의 Loss가 0.07까지 내려갔다.
   이는 Triplet Loss를 사용한 모델이 One Shot Learning을 가능하게 해준다는 것을 보인 것으로 볼 수 있다. 만약 데이터가 조금만 더 많거나 더 많거나 더 컴퓨팅 파워가 높은 기기를 이용하여 추가적인 학습을 진행한다면
   실용가능한 결과를 얻을 수 있을 것으로 보인다.
   눈을 감았는지 떳는지를 학습할 때 있어서는 데이터의 양은 많았지만 차원이 낮은 데이터였다. 그래서 학습이 거의 이루어지지 않는 듯 했으나 100Epoch 에가 면서 Loss가 줄어들기 시작했다.
   컴퓨팅 파워가 모자라 추가적인 학습을 진행할 수 없었으나 이 또한 추가적인 학습 시 유의미한 결과를 낼 수 있을 것으로 보인다.
 개의 데이터를 600개의 Training Set, 400개의 Test Set으로 나누어 진행하였다. 최종적으로 Loss가 0.1아래까지 떨어졌으며 라벨이 5개인만큼 Embedding 차원 수를 늘려 학습한다면 더 좋은 결과가 나올 것으로 봉니다.

← 이전 판		2019년 6월 21일 (금) 06:31 판
245번째 줄:		245번째 줄:

	===향후계획===		===향후계획===
−	내용	+
		+	◇ 배경 논문의 재현 실험 결과가 유사하긴 했지만 그 정확도가 배경 논문보다는 조금 떨어졌다. 그렇기 때문에 차후 재현 실험에 있어 오차를 만들게 된 부분이나 개선점을 찾아 적용하여 실제 배경 논문의 실험 평가, 결과와 같은 결과를 낼 수 있도록 재 구현한다.
		+
		+	◇ 기존의 목적이었던 emotion classification을 위한 EEG 데이터 셋의 양이 부족해서 다른 데이터 셋을 이용할 수밖에 없었다. emotion classification EEG 데이터를 찾게 된다면 이를 추가적으로 우리의 학습 모델에 적용해보도록 한다.
		+
		+	◇ 구글 코랩을 사용했음에도 불구하고 Offline Selection방식의 Triplet Loss를 사용하기에는 컴퓨팅 파워가 모자랐다. 추후 더 높은 컴퓨팅 파워를 낼 수 있는 기기에서나 클라우드 서비스를 통하여 학습을 진행하여 최적의 환경에서 학습을 진행해 볼 수 있도록 한다.

@@ 236번째 줄: / 236번째 줄: @@
   먼저 사람의 감정을 Labeling 한 EEG를 학습시켰을 때 총 데이터의 크기가 47개밖에 되지 않았고 100Epoch만을 학습했음에도 불구하고 Validation Set의 Loss가 0.07까지 내려갔다.
-이는 Triplet Loss를 사용한 모델이 One Shot Learning을 가능하게 해준다는 것을 보인 것으로 볼 수 있다. 만약 데이터가 조금만 더 많거나 더 많거나 더 컴퓨팅 파워가 높은 기기를 이용하여 추가적인 학습을 진행한다면
+ 이는 Triplet Loss를 사용한 모델이 One Shot Learning을 가능하게 해준다는 것을 보인 것으로 볼 수 있다. 만약 데이터가 조금만 더 많거나 더 많거나 더 컴퓨팅 파워가 높은 기기를 이용하여 추가적인 학습을 진행한다면
-실용가능한 결과를 얻을 수 있을 것으로 보인다.
+ 실용가능한 결과를 얻을 수 있을 것으로 보인다.
-  눈을 감았는지 떳는지를 학습할 때 있어서는 데이터의 양은 많았지만 차우너이 적었다. 그래서 학습이 거의 이루어지지 않는 듯 했으나 100Epoch 에가 면서 Loss가 줄어들기 시작했다.
+  눈을 감았는지 떳는지를 학습할 때 있어서는 데이터의 양은 많았지만 차원이 낮은 데이터였다. 그래서 학습이 거의 이루어지지 않는 듯 했으나 100Epoch 에가 면서 Loss가 줄어들기 시작했다.
-컴퓨팅 파워가 모자라 추가적인 학습을 진행할 수 없었으나 이 또한 추가적인 학습 시 유의미한 결과를 낼 수 있을 것으로 보인다.
+ 컴퓨팅 파워가 모자라 추가적인 학습을 진행할 수 없었으나 이 또한 추가적인 학습 시 유의미한 결과를 낼 수 있을 것으로 보인다.
 개의 데이터를 600개의 Training Set, 400개의 Test Set으로 나누어 진행하였다. 최종적으로 Loss가 0.1아래까지 떨어졌으며 라벨이 5개인만큼 Embedding 차원 수를 늘려 학습한다면 더 좋은 결과가 나올 것으로 봉니다.

@@ 234번째 줄: / 234번째 줄: @@
 ===완료작품의 평가===
-내용
 ===향후계획===
 내용

@@ 222번째 줄: / 222번째 줄: @@
 [[파일:R1.png]]
 위는 Positive, Negative, Neutral 세가지로 Labeling이 되어있는 EEG 데이터를 우리 모델을 통하여 학습시킨 결과이다.
 [[파일:R2.png]]

@@ 219번째 줄: / 219번째 줄: @@
 ===완료 작품의 소개===
 ====프로토타입 사진 혹은 작동 장면====
-내용
 ===완료작품의 평가===

@@ 203번째 줄: / 203번째 줄: @@
 ===상세설계 내용===
 [[파일:Rec1.png]]
 위의 함수를 통하여 주어진 시계일 데이터를 이미지로 변환하게 된다.
 [[파일:Tri1.png]] [[파일:Tri2.png]]
 위의 함수를 통하여 주어진 이미지들에 대한 가능한 모든 Anchor, Positive, Negative의 Triplet 쌍들을 생성하게 한다.