전체 글
-
Segmentation이나 Object Detection에서 종종 사용되는 평가 지표인 IoU(Intersection over Union)와 Dice Coefficient를 알아보겠습니다. IoU와 Dice Coefficient는 0~1 사이의 값을 가지며 실제 영역(Ground truth)과 예측 영역(Prediction)에 대한 수식으로 이뤄지며 느낌은 비슷한 듯하면서도 식은 서로 다릅니다. 위 그림에서 IoU의 분모는 Dice Coef.의 분모처럼 생기는 경우도 있는데 합집합이라는 것을 명확히 하고자 위와 같이 나타냈습니다. 이와 달리 Dice Coef.의 분모는 A와 B를 각각 더한 것입니다. 1. IoU 분모는 실제와 예측의 합집합, 분자는 실제와 예측의 교집합으로 이뤄집니다. 2. Dice C..
IoU와 Dice CoefficientSegmentation이나 Object Detection에서 종종 사용되는 평가 지표인 IoU(Intersection over Union)와 Dice Coefficient를 알아보겠습니다. IoU와 Dice Coefficient는 0~1 사이의 값을 가지며 실제 영역(Ground truth)과 예측 영역(Prediction)에 대한 수식으로 이뤄지며 느낌은 비슷한 듯하면서도 식은 서로 다릅니다. 위 그림에서 IoU의 분모는 Dice Coef.의 분모처럼 생기는 경우도 있는데 합집합이라는 것을 명확히 하고자 위와 같이 나타냈습니다. 이와 달리 Dice Coef.의 분모는 A와 B를 각각 더한 것입니다. 1. IoU 분모는 실제와 예측의 합집합, 분자는 실제와 예측의 교집합으로 이뤄집니다. 2. Dice C..
2023.03.15 -
CVPR 2022에 발표된 논문입니다. 저자는 Jiaotong University 쪽 4명과 Lanzhou University of Technology 1명으로 구성되어 있습니다. 이 논문의 주된 이야기는 CAM(Class Activation Mapping)을 이용하여 WSSS(Weakly Supervised Semantic Segmentation)을 medical image에서 어떻게 다룰 것인지(pseudo mask labeling을 생성해내는)에 대한 설명입니다. 약 10페이지 짜리인데도 이걸 읽는 것만으로는 정말 이해하기가 힘드네요.. Abstract 최근 CAM(Class Activation Mapping)을 기반으로 WSSS(Weakly Supervised Semantic Segmentatio..
[논문 리뷰] C-CAM: Causal CAM for Weakly Supervised Semantic Segmentation on Medical ImageCVPR 2022에 발표된 논문입니다. 저자는 Jiaotong University 쪽 4명과 Lanzhou University of Technology 1명으로 구성되어 있습니다. 이 논문의 주된 이야기는 CAM(Class Activation Mapping)을 이용하여 WSSS(Weakly Supervised Semantic Segmentation)을 medical image에서 어떻게 다룰 것인지(pseudo mask labeling을 생성해내는)에 대한 설명입니다. 약 10페이지 짜리인데도 이걸 읽는 것만으로는 정말 이해하기가 힘드네요.. Abstract 최근 CAM(Class Activation Mapping)을 기반으로 WSSS(Weakly Supervised Semantic Segmentatio..
2023.02.03 -
늘상 그렇지만 어쩌다가 어지러운 문제를 만났다. jupyter lab에서 커널이 급작스럽게 죽는 문제로 나타나는 에러 메시지 : The kernel for [파일명].ipynb appears to have died. It will restart automatically. 왜 나왔는지 짐작도 안갔지만 차분히 찾아본 결과, 해결되었다. 우선 제 경우는 import하는 라이브러리들 중에 torch에서 발생하는 문제였다.(하나하나 import 구문들을 주석을 풀어가며 찾음) 정확한 원인은 알지 못하나 사용 중인 환경이 다른 환경에서 [pip freeze > requirements.txt]한 파일을 받아와서 그대로 [pip install -r requirements.txt]한 상태여서 이것이 torch 패키지에 ..
[Error] The kernel for ipynb appears to have died. It will restart automatically.늘상 그렇지만 어쩌다가 어지러운 문제를 만났다. jupyter lab에서 커널이 급작스럽게 죽는 문제로 나타나는 에러 메시지 : The kernel for [파일명].ipynb appears to have died. It will restart automatically. 왜 나왔는지 짐작도 안갔지만 차분히 찾아본 결과, 해결되었다. 우선 제 경우는 import하는 라이브러리들 중에 torch에서 발생하는 문제였다.(하나하나 import 구문들을 주석을 풀어가며 찾음) 정확한 원인은 알지 못하나 사용 중인 환경이 다른 환경에서 [pip freeze > requirements.txt]한 파일을 받아와서 그대로 [pip install -r requirements.txt]한 상태여서 이것이 torch 패키지에 ..
2023.01.04 -
논문 제목은 U-Net: Convolutional Networks for Biomedical Image Segmentation 입니다. 이 논문은 Medical 분야에서 Baseline으로 통하는 기저가 되는 논문으로 2015년 CVPR에 발표되었고 2022.11.30 기준 인용 횟수가 무려 5만회가 넘습니다. Segmentation에서 쓰이며 이후 wide unet, unet++, unet3+으로 더욱 개선을 시도한 논문들이 발표되었습니다. PPT 자료입니다. 슬라이드 메모에 설명을 적어놓았는데 slideshare에 pdf로 올라가면서 메모 노출이 안되는게 에러네요. U-Net: Convolutional Networks for Biomedical Image Segmentation from fake ca..
[논문 리뷰] U-Net: Convolutional Networks for Biomedical Image Segmentation논문 제목은 U-Net: Convolutional Networks for Biomedical Image Segmentation 입니다. 이 논문은 Medical 분야에서 Baseline으로 통하는 기저가 되는 논문으로 2015년 CVPR에 발표되었고 2022.11.30 기준 인용 횟수가 무려 5만회가 넘습니다. Segmentation에서 쓰이며 이후 wide unet, unet++, unet3+으로 더욱 개선을 시도한 논문들이 발표되었습니다. PPT 자료입니다. 슬라이드 메모에 설명을 적어놓았는데 slideshare에 pdf로 올라가면서 메모 노출이 안되는게 에러네요. U-Net: Convolutional Networks for Biomedical Image Segmentation from fake ca..
2022.11.30 -
이 글을 보기 전에 https://fakecan.tistory.com/58 에서 confusion matrix(TP, FP, TN, FN)을 보시기 바랍니다. 모델을 평가하려면 지표가 필요합니다. 이런 지표 중에서 대표적이라 할 수 있는 Precision(정밀도)과 Recall(재현율)을 이해해보겠습니다. 설명하기 이전에, 사용 모델을 '나'라고 치환해서 설명하겠습니다. e.g. 내가 맞다고 분류한 것 중에서 실제로 맞는 것의 비율 → 모델이 맞다고 분류한 것 중에서 실제로 맞는 것의 비율 그리고 '판단'이라는 말을 '예측'이라는 말로 생각하셔도 무방합니다. Precision(정밀도) 내가 맞다고 판단한 것 중에서 실제로 맞는 것의 비율 TP : 내가 맞다고 판단한 것이 실제로 맞는 것(정답을 맞힌 상황..
Precision(정밀도)과 Recall(재현율)이 글을 보기 전에 https://fakecan.tistory.com/58 에서 confusion matrix(TP, FP, TN, FN)을 보시기 바랍니다. 모델을 평가하려면 지표가 필요합니다. 이런 지표 중에서 대표적이라 할 수 있는 Precision(정밀도)과 Recall(재현율)을 이해해보겠습니다. 설명하기 이전에, 사용 모델을 '나'라고 치환해서 설명하겠습니다. e.g. 내가 맞다고 분류한 것 중에서 실제로 맞는 것의 비율 → 모델이 맞다고 분류한 것 중에서 실제로 맞는 것의 비율 그리고 '판단'이라는 말을 '예측'이라는 말로 생각하셔도 무방합니다. Precision(정밀도) 내가 맞다고 판단한 것 중에서 실제로 맞는 것의 비율 TP : 내가 맞다고 판단한 것이 실제로 맞는 것(정답을 맞힌 상황..
2022.08.12 -
이 글을 보기 전에 https://fakecan.tistory.com/58 에서 confusion matrix(TP, FP, TN, FN)을 먼저 이해하고 봐주세요. 의료에서는 진단을 환자(양성)를 찾아내는데 더 집중하느냐, 정상(음성)을 찾아내는데 더 집중하느냐에 따라 기준 지표가 달라질 수 있습니다. 이런 진단을 하는 기준에 대해 sensitivity와 specificity를 자주 이야기합니다. 이 두 가지 용어를 이해해보겠습니다. 양성 환자(질병을 앓는 사람, 여기서는 Positive로 생각한다) 음성 정상(멀쩡한 사람, 여기서는 Negative로 생각한다) Sensitivity(민감도) : 환자를 환자라고 진단하는 비율(양성을 양성이라고 진단하는 비율) Specificity(특이도) : 정상을 정..
Sensitivity(민감도)와 Specificity(특이도)이 글을 보기 전에 https://fakecan.tistory.com/58 에서 confusion matrix(TP, FP, TN, FN)을 먼저 이해하고 봐주세요. 의료에서는 진단을 환자(양성)를 찾아내는데 더 집중하느냐, 정상(음성)을 찾아내는데 더 집중하느냐에 따라 기준 지표가 달라질 수 있습니다. 이런 진단을 하는 기준에 대해 sensitivity와 specificity를 자주 이야기합니다. 이 두 가지 용어를 이해해보겠습니다. 양성 환자(질병을 앓는 사람, 여기서는 Positive로 생각한다) 음성 정상(멀쩡한 사람, 여기서는 Negative로 생각한다) Sensitivity(민감도) : 환자를 환자라고 진단하는 비율(양성을 양성이라고 진단하는 비율) Specificity(특이도) : 정상을 정..
2022.08.12