Multi-granularity feature는 딥러닝에서 다양한 해상도 또는 크기의 특징을 함께 사용하여 모델의 성능을 향상시키는 기술입니다. 이는 모델이 서로 다른 *추상화 수준에서 정보를 학습할 수 있도록 도와줍니다.
* 추상화 : 딥러닝 모델이 데이터로부터 패턴을 학습할 때, 다양한 추상화 수준으로 패턴을 학습하게 되는데, 추상화라는 것은 데이터의 상세한 부분부터 전반적인 개요까지의 정보를 단순화하는 과정이다.
이미지 데이터는 다양한 크기와 해상도의 특징을 가질 수 있습니다. Multi-granularity feature는 이러한 특징들을 다양한 관점으로 모델에 통합하여 학습하고, 이를 통해 더욱 풍부한 정보를 활용할 수 있습니다.
예를 들어, 모델은 낮은 해상도 이미지에 대해서 전체 이미지의 개요적인 큰 특징(ex. 대략적인 형태, 큰 윤곽)을 파악하고, 동시에 높은 해상도 이미지에서는 세부적인 작은 부분에 대한 로컬한 특징을 학습할 수 있습니다. 이러한 전역적인 특징과 로컬한 특징을 결합함으로써 모델은 이미지에 대해 더 잘 이해할 수 있게 됩니다.
텍스트 처리에서도 비슷한 개념을 적용할 수 있습니다. 문장이나 문단에서 각 단어 또는 구문의 다른 추상화 수준의 특징을 학습하여, 문맥을 보다 풍부하게 이해하고 처리할 수 있도록 도와줍니다.
이러한 multi-granularity feature를 구현하기 위해서는 다양한 해상도 또는 크기의 특징을 추출하는 다양한 네트워크 레이어나 모듈을 결합하거나, 다양한 스케일의 입력을 모델에 공급하여 학습하는 방식 등이 사용될 수 있습니다. 이를 통해 모델은 다양한 정보를 효과적으로 활용하여 더 나은 성능을 달성할 수 있게 됩니다.
'AI > Fundamental' 카테고리의 다른 글
| Tensorflow 기초 : 모듈, 레이어, 모델 클래스 구조 알아보기 (1) | 2024.03.27 |
|---|---|
| Transformer 모델 - Positional Encoding 포지셔널 인코딩에 대해서 알아보자. (1) | 2023.12.28 |
| 분류모델 성능평가 지표 (2) : PR curve, mAP (mean Average Precision) (0) | 2023.11.02 |
| 회귀분석 평가지표 정리해보기 (Metrics ; MAE, MAPE, MPE / MSE, RMSE, MSLE / R2 score) (2) | 2023.11.02 |
| 다양한 관점에 따른 변수의 종류 모음. (수학, 데이터) (0) | 2023.10.16 |