일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 |
Tags
- 3D convolution
- 듀얼부트
- tensorboard
- Hidden layer output
- VGGNet
- twolay
- 치환 기능
- stepsize
- #cudnn
- #enviroment variable
- canon mf416dw
- ubuntu 원격
- 포트번호 변경
- 학습성공
- Xpad설치
- Rust설치
- weight histogram
- Ubuntu동글
- #cuda
- #python gpu
- #ubuntu 14.04(LTS)
- Git branch 보이기
- restnet
- Lagrange Multiplier
- log파일
- DenseNet
- 화면확대고정
- 전체내용
- 리눅스 비밀번호
- Ubuntu 설치
Archives
- Today
- Total
목록Eigenface (1)
save the world
PCA를 MATLAB으로 실습해보기 위하여 가장 많이 접하는 방법이 얼굴을 인식하여 복원하는 과정이다. 위와 같은 얼굴사진 1,000장을 Database로 가지고 있다고 가정해보자. 각각의 이미지가 100 x 100 의 크기를 가진다면 이를 concatenation 하여 10,000 x 1의 크기로 만들 수 있고, 이는 차원이 10,000인 데이터라고 할 수 있다. (즉, 각각의 이미지들은 차원이 10,000인 공간에서 하나의 점으로 볼 수 있다.) 이런 데이터들이 1,000장 있다면 이들을 가장 잘 분류 할 수 있는 차원이 있을 것이다. 이를 찾기위하여 1,000개의 데이터들에 대하여 PCA를 수행한다면, 차원의 갯수 10,000만큼의 주성분 벡터들을 얻을 수 있고 각각의 주성분 벡터들을 100 x 1..
PCA, Sparse Coding
2017. 1. 17. 15:41