실전! 텐서플로 2를 활용한 딥러닝 컴퓨터 비전(위키북스 데이터 사이언스 시리즈 57)
텐서플로 2.0과 케라스를 활용한 강력한 이미지 처리 애플리케이션 만들기
Regular price
$31.46
Sale price
Regular price
✈️
Estimated delivery date 예상 배송일
Standard Shipping
불러오는 중...
주문일로부터 8-12 영업일
Express Shipping
불러오는 중...
주문일로부터 6-8 영업일
《실전! 텐서플로 2를 활용한 딥러닝 컴퓨터 비전》은 컴퓨터 비전과 딥러닝의 기본 원리를 시작으로 신경망을 처음부터 구축하는 방법을 알려준다. 사용하기 쉬운 케라스 인터페이스와 함께 텐서플로를 가장 널리 사용되는 AI 라이브러리로 만들어준 기능을 살펴보고 CNN을 효율적으로 구축, 훈련, 배포해 본다. 구체적인 코드 예제를 통해 Inception, Resnet 같은 최신 솔루션으로 이미지를 분류하고 YOLO(You Only Look Once), Mask R-CNN, U-Net을 사용해 특정 콘텐츠를 추출하는 방법을 보여준다. 또 이미지 생성 및 편집을 위해 GAN(Generative Adversarial Networks)과 VAE (Variational Auto-Encoder)를 구축하고 동영상 분석을 위해 LSTM을 구축한다. 그 과정에서 다른 주요 개념 중에서 전이 학습, 데이터 보강, 도메인 적응, 모바일 및 웹 배포에 관한 깊은 통찰력을 얻게 될 것이다.
★ 이 책에서 다루는 내용 ★
◎ 신경망을 처음부터 생성하기
◎ Inception과 ResNet을 포함한 최신 아키텍처로 이미지 분류하기
◎ YOLO, Mask R-CNN, U-Net으로 이미지에서 객체를 탐지하고 분할하기
◎ 자율주행차와 얼굴 표정 인식 시스템 개발에 따르는 문제 해결하기
◎ 전이학습, GAN, 도메인 적응 기법으로 애플리케이션 성능 개선하기
◎ 동영상 분석을 위해 순환 신경망 사용하기
◎ 각자 생성한 신경망을 모바일 기기와 브라우저에 맞게 최적화하고 배포하기
★ 이 책에서 다루는 내용 ★
◎ 신경망을 처음부터 생성하기
◎ Inception과 ResNet을 포함한 최신 아키텍처로 이미지 분류하기
◎ YOLO, Mask R-CNN, U-Net으로 이미지에서 객체를 탐지하고 분할하기
◎ 자율주행차와 얼굴 표정 인식 시스템 개발에 따르는 문제 해결하기
◎ 전이학습, GAN, 도메인 적응 기법으로 애플리케이션 성능 개선하기
◎ 동영상 분석을 위해 순환 신경망 사용하기
◎ 각자 생성한 신경망을 모바일 기기와 브라우저에 맞게 최적화하고 배포하기
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
목차
목차
[01부] 컴퓨터 비전에 적용한 텐서플로 2와 딥러닝
▣ 01장: 컴퓨터 비전과 신경망
기술적 요구사항
컴퓨터 비전
___컴퓨터 비전 소개
___주요 작업 및 애플리케이션
컴퓨터 비전의 약력
___최초 성공을 위한 첫 걸음
___딥러닝의 출현
신경망 시작하기
___신경망 구성하기
___신경망 훈련시키기
요약
질문
참고 문헌
▣ 02장: 텐서플로 기초와 모델 훈련
기술적 요구사항
텐서플로 2와 케라스 시작하기
___텐서플로 소개
___케라스를 사용한 간단한 컴퓨터 비전 모델
텐서플로 2와 케라스 자세히 알아보기
___핵심 개념
___고급 개념
텐서플로 생태계
___텐서보드
___텐서플로 애드온과 텐서플로 확장
___텐서플로 라이트와 TensorFlow.js
___모델 실행 장소
요약
질문
▣ 03장: 현대 신경망
기술 요구사항
합성곱 신경망의 발견
___다차원 데이터를 위한 신경망
___CNN 작업
___유효 수용 영역
___텐서플로로 CNN 구현하기
훈련 프로세스 개선
___현대 네트워크 최적화 기법
___정규화 기법
요약
질문
참고 문헌
[02부] 전통적인 인식 문제를 해결하는 최신 솔루션
▣ 04장: 유력한 분류 도구
기술 요구사항
고급 CNN 아키텍처의 이해
___VGG, 표준 CNN 아키텍처
___GoogLeNet, Inception 모듈
___ResNet - 잔차 네트워크
전이학습 활용
___개요
___텐서플로와 케라스로 전이학습 구현
요약
질문
참고 문헌
▣ 05장: 객체 탐지 모델
기술 요구사항
객체 탐지 소개
___배경
___모델 성능 평가
빠른 객체 탐지 알고리즘 - YOLO
___YOLO 소개
___YOLO로 추론하기
___YOLO 훈련시키기
Faster R-CNN - 강력한 객체 탐지 모델
___Faster R-CNN의 일반 아키텍처
___Faster R-CNN 훈련
___텐서플로 객체 탐지 API
요약
질문
참고 문헌
▣ 06장: 이미지 보강 및 분할
기술 요구사항
인코더-디코더로 이미지 변환
___인코더-디코더 소개
___기본 예제 - 이미지 노이즈 제거
___합성곱 인코더-디코더
의미론적 분할 이해하기
___인코더-디코더를 사용한 객체 분할
___더 까다로운 인스턴스 분할
요약
질문
참고 문헌
[03부] 컴퓨터 비전의 고급 개념 및 새 지평
▣ 07장: 복합적이고 불충분한 데이터셋에서 훈련시키기
기술 요구사항
효율적인 데이터 제공
___텐서플로 데이터 API 소개
___입력 파이프라인 구성
___입력 파이프라인 최적화 및 모니터링
데이터가 부족하면 어떻게 처리할까?
___데이터셋 보강
___합성 데이터셋 렌더링하기
___도메인 적응과 생성 모델(VAE와 GAN) 활용
요약
질문
참고 문헌
▣ 08장: 동영상과 순환 신경망
기술 요구사항
RNN 소개
___기본 형식
___RNN에 대한 일반적인 이해
___RNN 가중치 학습
___장단기 메모리 셀
동영상 분류
___컴퓨터 비전을 동영상에 적용하기
___LSTM으로 동영상 분류하기
요약
질문
참고 문헌
▣ 09장: 모델 최적화 및 모바일 기기 배포
기술 요구사항
계산 및 디스크 용량 최적화
___추론 속도 측정하기
___모델 추론 속도 개선하기
___모델이 여전히 느린 경우
___모델 크기 축소
온디바이스 머신러닝
___온디바이스 머신러닝의 고려사항
___실용적인 온디바이스 컴퓨터 비전
애플리케이션 예제 - 얼굴 표정 인식
___MobileNet 소개
___모델을 기기에 배포하기
요약
질문
▣ [부록]
텐서플로 1.x에서 마이그레이션하기
___자동 마이그레이션
___텐서플로 1 코드 마이그레이션하기
참조
___1장 컴퓨터 비전과 신경망
___2장 텐서플로 기초와 모델 훈련
___3장 현대 신경망
___4장 유력한 분류 도구
___5장 객체 탐지 모델
___6장 이미지 보강 및 분할
___7장 복합적이고 불충분한 데이터셋에서 훈련시키기
___8장 동영상과 순환 신경망
___9장 모델 최적화 및 모바일 기기
▣ 01장: 컴퓨터 비전과 신경망
기술적 요구사항
컴퓨터 비전
___컴퓨터 비전 소개
___주요 작업 및 애플리케이션
컴퓨터 비전의 약력
___최초 성공을 위한 첫 걸음
___딥러닝의 출현
신경망 시작하기
___신경망 구성하기
___신경망 훈련시키기
요약
질문
참고 문헌
▣ 02장: 텐서플로 기초와 모델 훈련
기술적 요구사항
텐서플로 2와 케라스 시작하기
___텐서플로 소개
___케라스를 사용한 간단한 컴퓨터 비전 모델
텐서플로 2와 케라스 자세히 알아보기
___핵심 개념
___고급 개념
텐서플로 생태계
___텐서보드
___텐서플로 애드온과 텐서플로 확장
___텐서플로 라이트와 TensorFlow.js
___모델 실행 장소
요약
질문
▣ 03장: 현대 신경망
기술 요구사항
합성곱 신경망의 발견
___다차원 데이터를 위한 신경망
___CNN 작업
___유효 수용 영역
___텐서플로로 CNN 구현하기
훈련 프로세스 개선
___현대 네트워크 최적화 기법
___정규화 기법
요약
질문
참고 문헌
[02부] 전통적인 인식 문제를 해결하는 최신 솔루션
▣ 04장: 유력한 분류 도구
기술 요구사항
고급 CNN 아키텍처의 이해
___VGG, 표준 CNN 아키텍처
___GoogLeNet, Inception 모듈
___ResNet - 잔차 네트워크
전이학습 활용
___개요
___텐서플로와 케라스로 전이학습 구현
요약
질문
참고 문헌
▣ 05장: 객체 탐지 모델
기술 요구사항
객체 탐지 소개
___배경
___모델 성능 평가
빠른 객체 탐지 알고리즘 - YOLO
___YOLO 소개
___YOLO로 추론하기
___YOLO 훈련시키기
Faster R-CNN - 강력한 객체 탐지 모델
___Faster R-CNN의 일반 아키텍처
___Faster R-CNN 훈련
___텐서플로 객체 탐지 API
요약
질문
참고 문헌
▣ 06장: 이미지 보강 및 분할
기술 요구사항
인코더-디코더로 이미지 변환
___인코더-디코더 소개
___기본 예제 - 이미지 노이즈 제거
___합성곱 인코더-디코더
의미론적 분할 이해하기
___인코더-디코더를 사용한 객체 분할
___더 까다로운 인스턴스 분할
요약
질문
참고 문헌
[03부] 컴퓨터 비전의 고급 개념 및 새 지평
▣ 07장: 복합적이고 불충분한 데이터셋에서 훈련시키기
기술 요구사항
효율적인 데이터 제공
___텐서플로 데이터 API 소개
___입력 파이프라인 구성
___입력 파이프라인 최적화 및 모니터링
데이터가 부족하면 어떻게 처리할까?
___데이터셋 보강
___합성 데이터셋 렌더링하기
___도메인 적응과 생성 모델(VAE와 GAN) 활용
요약
질문
참고 문헌
▣ 08장: 동영상과 순환 신경망
기술 요구사항
RNN 소개
___기본 형식
___RNN에 대한 일반적인 이해
___RNN 가중치 학습
___장단기 메모리 셀
동영상 분류
___컴퓨터 비전을 동영상에 적용하기
___LSTM으로 동영상 분류하기
요약
질문
참고 문헌
▣ 09장: 모델 최적화 및 모바일 기기 배포
기술 요구사항
계산 및 디스크 용량 최적화
___추론 속도 측정하기
___모델 추론 속도 개선하기
___모델이 여전히 느린 경우
___모델 크기 축소
온디바이스 머신러닝
___온디바이스 머신러닝의 고려사항
___실용적인 온디바이스 컴퓨터 비전
애플리케이션 예제 - 얼굴 표정 인식
___MobileNet 소개
___모델을 기기에 배포하기
요약
질문
▣ [부록]
텐서플로 1.x에서 마이그레이션하기
___자동 마이그레이션
___텐서플로 1 코드 마이그레이션하기
참조
___1장 컴퓨터 비전과 신경망
___2장 텐서플로 기초와 모델 훈련
___3장 현대 신경망
___4장 유력한 분류 도구
___5장 객체 탐지 모델
___6장 이미지 보강 및 분할
___7장 복합적이고 불충분한 데이터셋에서 훈련시키기
___8장 동영상과 순환 신경망
___9장 모델 최적화 및 모바일 기기
저자
저자
벤자민 플랜치
파사우 대학교(University of Passau)와 지멘스(Siemens Corporate Technology)에 몸 담고 있는 박사 과정 학생이다. 그는 컴퓨터 비전과 딥러닝 분야에서 5년 넘게 전 세계 다양한 연구소(프랑스 LIRIS, 일본 미쓰비시 전기, 독일 지멘스)에서 일해 왔다. 벤자민은 프랑스 리옹에 위치한 INSA-Lyon과 독일 파사우 대학교에서 두 개의 석사 학위를 우수한 성적으로 취득했다.
산업 응용 분야에서 적은 데이터로 더 스마트한 시각 시스템을 개발하는 데 중점적으로 노력을 기울이고 있으며, 자신의 지식과 경험을 StackOverflow와 같은 온라인 플랫폼에서 공유하거나 이 지식을 적용해 아름다운 작품을 만들어 보여주기도 한다.
산업 응용 분야에서 적은 데이터로 더 스마트한 시각 시스템을 개발하는 데 중점적으로 노력을 기울이고 있으며, 자신의 지식과 경험을 StackOverflow와 같은 온라인 플랫폼에서 공유하거나 이 지식을 적용해 아름다운 작품을 만들어 보여주기도 한다.
Payment & Security
Payment methods
Your payment information is processed securely. We do not store credit card details nor have access to your credit card information.
