💌 Developer Onlyone

그동안 Django에 대해서 공부한 것들을 사용해서 책에 대한 정보를 확인하고, 댓글을 달 수 있는 웹 페이지를 간단하게 제작해 보려고 한다. 우선, 프로젝트를 시작하기 전에 우선 가상환경을 만들어 준다. 가상환경, 패키지 설치 가상환경 설치 python -m venv venv 가상환경 켜기 source venv/Scipts/activate 가상환경 종료 deactivate 가상환경 준비가 됐다면 requirements.txt 를 사용해 장고와 필요한 패키지를 설치한다. pip install -r requirements.txt 패키지 목록을 생성하는 코드는 다음과 같다. pip freeze > requirements.txt 장고 프로젝트, 앱 생성 장고 프로젝트 생성 django-admin startpr..

Formulation 목표는 training sample x∈X, y∈Y 이 주어진 domain X와 Y를 mapping functions을 학습하는 것으로 모델에는 두가지의 mapping G, F가 포함되어있음(G:X→Y, F:Y→X) 그리고 두 가지 discriminator Dx와 Dy를 사용함 Dx는 이미지 x와 변환된 이미지 F(y)를 구별, Dy는 y와 G(x)를 구별 ⇒ 생성된 이미지의 분포와 target domain의 데이터 분포를 일치시키 위해 adversarial losses 사용 ⇒ 학습된 매핑 G와 F가 서로 모순되는 것을 막기 위해 consistency losses 사용 Adversarial Loss G는 domain Y에서 이미지와 유사한 G(x)를 생성하려고 함 Dy는 변환된 G..

Related work 변환한 이미지와 target domain 의 이미지와 구별할 수 없도록 매핑을 학습하기위해 adversarial loss를 사용함 Image-to-Image Translation 이들의 이미지 변환은 Isola등의 pix2pix의 framework를 기반으로 함. conditional generative adversarial network 를 사용하여 input-output 이미지의 mapping 을 학습함 Unpaired Image-to-Image Rosales등 두 데이터의 domain을 연관시키는 것이 목표. 소스이미지에서 계산한 Markov random field 와 다양한 스타일의 이미지에서 얻은 likelihood term 을 포함하는 Bayesian framework를..

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks Abstract Image-to-Image 변환은 이미지 쌍의 세트를 사용해서 입력 이미지와 출력 이미지 사이의 매핑을 학습하는 것이 목표 → 대부분의 작업의 경우, 쌍으로 모든 데이터를 학습 할 수 없다는 한계점 존재 쌍으로 된 예시가 없는 경우, X → Y 로 이미지를 변환하는 방법을 학습하기 위한 방법 제시 → G:X→Y 를 역매핑 F:Y→X 와 결합. F(G(X))≈X 이 적용되기 위해 a cycle consistency loss 도입 Introduction 왼쪽의 사진들은 Paired data 이나, 오른쪽의 사진들은 Unpaired data 구성체 서로..

Training Details 1. Generator G U-Net 은 처음의 detail 이 바로 마지막까지 전달 가능 → detail 간직이 잘 된다는 장점이 있음. 그러나, 두 data set(그림 - 사진 ; 비슷하다고 봄) 이 비슷한 경우에는 skip connection을 많이 사용 하려고 함(고해상도를 위해). skip connection 에는 depth가 많이 없음. → 생성되는 결과물이 별로 만족 스럽지 못함. 위의 단점을 극복 해 낼 수 있는 ResNet을 사용 depth가 있으면서, detail을 간직 할 수 있음. 이미지의 퀄리티면에서 가장 좋은 결과물을 냄 메모리를 많이 사용 → 생성 할 수 있는 parameter 수가 적음 ⇒ 많은 형태 변화를 만들어 낼 수 없는 단점 존재 Bot..

https://youtu.be/Fkqf3dS9Cqw Cycle GAN 논문 저자님의 발표강의 영상 Cycle GAN 사진으로 구성되어 있는 2가지의 data set 을 이용하여 한 이미지를 다른 이미지의 style로 변환 How does it work? pix2pix GAN Cycle GAN pix2pix input 과 out이 모두 사진이어야 하는 supervised learning framework Goal : 흑백사진은 컬러사진으로 바꿔주는 neural network train test 흑백 → ? train 도형→사진 test 도형→? Loss : output G(x) and ground truth y 의 차이를 최소화 → 어떤 것이 가장 옳은 것인지 (사람은 알 수 있으나) 판단 할 수 없으므로..