log404

StarDist 논문 정리: 세포·핵 검출을 별 모양 다각형으로 해결하는 방법현미경 이미지에서 세포나 핵을 자동으로 검출하고 분할하는 작업은 생물학 연구에서 매우 중요하다. 세포 개수 측정, 세포 형태 분석, 세포 추적, 질병 관련 이미지 분석 등 다양한 연구에서 기본 단계로 사용되기 때문이다.이번에 정리한 논문은 **“Cell Detection with Star-Convex Polygons”**로, 흔히 StarDist라고 부르는 방법을 제안한 논문이다. 이 논문은 MICCAI 2018에 발표되었고, Uwe Schmidt, Martin Weigert, Coleman Broaddus, Gene Myers가 저자이다. 논문에서는 crowded cell, 즉 세포나 핵이 서로 붙어 있거나 겹쳐 보이는 상황에..

MARS-Net 논문 리뷰: 다양한 현미경 이미지를 하나의 AI로 학습하면 왜 더 잘 될까?최근 라이브셀 이미징(live-cell imaging) 분야에서는 세포의 움직임(morphodynamics)을 정량화하려는 연구가 많아지고 있다.문제는 세포 경계를 정확하게 segmentation 하는 게 생각보다 굉장히 어렵다는 점이다.이번 논문은 바로 이 문제를 해결하기 위해 MARS-Net (Multiple-microscopy-type-based Accurate and Robust Segmentation Network) 이라는 딥러닝 기반 segmentation pipeline을 제안한다.논문 정보논문 제목A deep learning-based segmentation pipeline for profiling ..

https://www.kaggle.com/competitions/aerial-cactus-identification Aerial Cactus IdentificationDetermine whether an image contains a columnar cactuswww.kaggle.comkaggle에 선인장 구분 문제 ( Aerial Cactus Identification) 를 Lenet 기반 모델로 구현하면 풀어보았다. 이미지 데이터 기본 정보Train: 17,500장 Test: 4,000장 이미지 크기: 32 x 32 채널: RGB / 흑백 여부 라벨 컬럼: has_cactus 클래스: 0 = 선인장 없음, 1 = 선인장 있음클래스 분포has_cactus = 1: 13,136개, 약 75%has_ca..

1. 논문 정보논문 제목: U-Net: Convolutional Networks for Biomedical Image Segmentation저자: Olaf Ronneberger, Philipp Fischer, Thomas Brox발표: MICCAI 2015주제: 바이오/의료 이미지 세그멘테이션을 위한 CNN 구조 제안이 논문은 세포, 신경 구조, 현미경 이미지처럼 픽셀 단위로 영역을 구분해야 하는 문제를 해결하기 위해 U-Net이라는 모델 구조를 제안한다. U-Net은 이후 의료 영상, 세포 이미지, 현미경 이미지 분석에서 매우 널리 쓰이는 기본 모델이 되었다.2. 논문이 해결하려는 문제기존 CNN은 주로 이미지 전체를 보고 “고양이/강아지”처럼 하나의 클래스를 분류하는 데 많이 사용되었다.하지만 바이오..

https://spj.science.org/doi/10.34133/research.1035 Artificial Intelligence for Organelle Segmentation in Live-Cell Imaging | ResearchOrganelle morphology and dynamics are closely linked to cellular function and fate, yet their relationships remain poorly defined across physiological and pathological contexts. Live-cell imaging enables the visualization of subcellular structures and ...spj.scienc..

파인튜닝 추천 전략과 팁파인튜닝 전략은 크게 데이터 개수와 기존 모델이 학습한 도메인과 새 데이터 도메인의 유사도에 따라 달라진다.사전학습 모델은 이미 일반적인 특징을 학습한 상태이다. 예를 들어 이미지 모델의 backbone은 엣지, 색상, 질감, 형태 같은 기본적인 시각 특징을 어느 정도 알고 있다. 따라서 새로운 데이터셋을 학습할 때는 모든 가중치를 무조건 다시 학습시키기보다, 상황에 따라 일부 레이어를 고정하거나 점진적으로 풀어주는 전략을 사용한다.1. 데이터가 적은 경우데이터 개수가 적으면 모델이 학습 데이터에만 과하게 맞춰지는 과적합이 발생하기 쉽다.이 경우 처음부터 전체 모델을 학습시키기보다, 먼저 backbone을 freeze하고 head 부분만 학습시키는 전략이 좋다. model.trai..

YOLO 하이퍼파라미터 튜닝 정리YOLO 모델을 학습할 때는 단순히 모델만 선택하는 것이 아니라, 학습 방식과 데이터 처리 방식, 저장 경로, 검증/예측 설정, 데이터 증강, 후처리 방식 등 다양한 설정을 함께 조정해야 한다. 이러한 설정값들을 하이퍼파라미터라고 한다.하이퍼파라미터는 모델이 학습을 통해 직접 배우는 값이 아니라, 사용자가 학습 전에 정해주는 값이다. 예를 들어 learning rate, batch size, epoch 수, confidence threshold, IoU threshold 등이 있다.1. 모델 관련 설정YOLO에서는 어떤 모델을 사용할지 먼저 선택해야 한다.예를 들어:model = YOLO("yolo11n.pt")model = YOLO("yolo11s.pt")model = ..

1. 비전 모델 3가지분류 (Classification)이미지 전체가 무엇인지 하나의 클래스로 예측하는 문제다.이미지 안에 여러 객체가 있더라도 하나의 대표 라벨만 출력한다.탐지 (Object Detection)이미지 내 여러 객체의 위치와 클래스를 함께 예측한다.출력은 객체의 bounding box와 클래스 정보다.세그멘테이션 (Segmentation)이미지에서 객체를 픽셀 단위로 구분하여 영역을 정확히 분리한다.semantic segmentation과 instance segmentation으로 나뉜다.2. IoU 및 확장 지표객체 탐지에서 예측 박스와 실제 박스의 겹침 정도를 평가하기 위해 IoU를 사용한다.IoU: 두 박스의 교집합 / 합집합 비율GIoU: 겹치지 않는 경우까지 고려하여 패널티 추가..

🔹 CNN 주요 모델 흐름 정리✔ 1. LeNet-5초기 CNN 모델 (손글씨 숫자 인식)구조:Conv → Pooling → Conv → Pooling → FC → Classification 특징:단순한 구조CNN 기본 형태의 시작✔ 2. AlexNet LeNet과 차이 - 훨씬 깊은 구조 (깊이 증가)- ReLU 사용 (기존 tanh → 학습 속도 개선)- Dropout 도입 (과적합 방지)- GPU 사용 (연산 속도 개선) 의미:딥러닝 붐의 시작 (ImageNet 우승) ✔ 3. VGG16 특징:- 3×3 작은 필터만 반복 사용- 구조가 매우 단순 (Conv 쌓기)- 깊은 네트워크 장점:이해하기 쉽고 구조가 깔끔 단점:파라미터 많음 (무거움) ✔ 4. GoogLeNet 핵심:Inception..

CNN (합성곱 신경망) 핵심 개념 정리이미지는 보통 높이(Height), 너비(Width), 채널(Channel)로 구성된 데이터이다.예를 들어 흑백 이미지는 채널이 1, RGB 이미지는 채널이 3이다. 1. 필터(Convolution)필터는 이미지에서 특정한 특징(feature)을 추출하기 위한 도구이다.필터는 일반적으로 (k × k × 채널) 형태의 가중치 집합으로 구성되며,이미지 위를 슬라이딩하면서 다음과 같은 연산을 수행한다:필터와 이미지의 해당 영역을 요소별로 곱한 뒤모든 값을 더해서 하나의 값을 생성이 과정을 통해 특정 패턴(모서리, 선, 질감 등)을 추출할 수 있다.또한 필터의 개수는 곧 출력 채널 수(feature map 수)가 된다. 2. Stride와 출력 크기Stride는 필터가 ..