이미지/동영상 분류에서 OpenPose, GAN, BERT까지
최신 딥러닝 모델 구현의 핵심이 한 권에!

비즈니스 현장에서 딥러닝을 응용한 경험을 쌓고 싶다면, 합성곱 신경망을 이용한 화상(이미지) 분류 등과 같이 기본적인 딥러닝 기법을 배운 후 다음 단계로 넘어가고 싶다면 추천합니다. 입문서에서는 알기 어려웠던 전이학습과 파인튜닝을 활용한 화상 분류, 물체 감지, 시맨틱 분할, 자세 추정, GAN을 활용한 화상 생성 및 이상 탐지, 텍스트 데이터 감정 분석, 동영상 데이터 클래스 분류를 12가지 모델로 구현하며 배울 수 있습니다.
딥러닝은 ‘영업×딥러닝’, ‘제조×딥러닝’, ‘의료×딥러닝’ 등과 같이 다른 분야와 함께 활용할 때 비로소 진정한 가치를 발휘합니다. 도메인 지식과 딥러닝 구현 능력이 결합된 인재로 성장하여 현장에서 활약하는 데 이 책이 도움 될 것입니다.

★ 각 장의 개요
_1장. 화상 분류와 전이학습(VGG)
학습된 VGG 모델을 활용해 소량의 데이터로 딥러닝 모델을 구축할 수 있는 전이학습과 파인튜닝을 알아봅니다. 또한 이 책에서는 AWS의 클라우드 GPU 머신을 사용하여 딥러닝을 설명합니다.
_2장. 물체 인식(SSD)
물체 감지는 딥러닝 응용 방법 중에서도 특히 복잡한 기술입니다. SSD 모델을 활용해 물체 감지의 흐름을 설명합니다.
_3장. 시맨틱 분할(PSPNet)
픽셀 수준에서 물체를 분류하는 시맨틱 분할을 학습하면서 딥러닝 모델 PSPNet을 설명합니다. 어떻게 픽셀 수준에서 물체를 분류할 수 있는지와 함께 네트워크 구조, 순전파함수, 손실함수도 알아봅니다.
_4장. 자세 추정(OpenPose)
자세 추정은 화상에 포함된 여러 인물을 탐지하여 인체 각 부위의 위치를 식별하고 부위를 연결하는 선(링크)을 구하는 기술입니다. OpenPose가 어떻게 사람의 각 부위를 탐지하고 부위를 서로 연결하는지 구현하며 그 구조를 확인합니다. 모델의 네트워크 구조 확인 방법으로 텐서보드X 사용법을 설명합니다.
_5장. GAN을 활용한 화상 생성(DCGAN, Self-Attention GAN)
Self-Attention은 자연어 처리(NLP)에 활용되는 Transformer와 BERT의 열쇠가 되지만 이해하기 어렵기 때문에 우선은 화상에서 Self-Attention을 구현하고 이해하는 것을 목표로 합니다.
_6장. GAN을 활용한 이상 감지(AnoGAN, Efficient GAN)
이상 화상 검출은 의료 현장에서 질환 및 건강 상태를 판별하거나 제조업에서 이상이 있는 부품을 검출할 경우 등에 사용합니다. 이상 화상이 정상 화상보다 매우 적을 때는 AnoGAN을, 이상 탐지에 걸리는 시간을 해결하기 위해서는 EfficientGAN을 응용할 수 있습니다.
_7장. 자연어 처리를 활용한 감정 분석(Transformer)
텍스트 데이터를 취급하는 자연어 처리를 살펴보고 딥러닝 모델 Transformer를 활용해 텍스트 데이터 내용을 긍정과 부정으로 감정합니다. word2vec과 fasttext를 활용해 단어를 벡터 표현으로 수치화하고 단어에 Attention을 걸어 추론 결과를 시각화해봅니다.
_8장. 자연어 처리를 활용한 감정 분석(BERT)
감정 분석 모델을 구축, 학습하고 추론해 문맥에 따라 단어 벡터가 어떻게 변화하는지 알아보고 Self-Attention으로 시각화해봅니다.
_9장. 동영상 분류(3DCNN, ECO)
화상 분류와 동영상 분류의 차이에 주목하면서 어떻게 동영상을 딥러닝에서 다루고 구현하는지 설명합니다.

CHAPTER 1 화상 분류와 전이학습(VGG)
1.1 학습된 VGG 모델을 사용하는 방법
1.2 파이토치를 활용한 딥러닝 구현 흐름
1.3 전이학습 구현
1.4 아마존 AWS의 클라우드 GPU 머신을 사용하는 방법
1.5 파인튜닝 구현

CHAPTER 2 물체 감지(SSD)
2.1 물체 감지란
2.2 데이터셋 구현
2.3 데이터 로더 구현
2.4 네트워크 모델 구현
2.5 순전파 함수 구현
2.6 손실함수 구현
2.7 학습 및 검증 실시
2.8 추론 실시

CHAPTER3 시맨틱 분할(PSPNet)
3.1 시맨틱 분할이란
3.2 데이터셋과 데이터 로더 구현
3.3 PSPNet 네트워크 구성 및 구현
3.4 Feature 모듈 설명 및 구현(ResNet)
3.5 Pyramid Pooling 모듈 설명 및 구현
3.6 Decoder, AuxLoss 모듈 설명 및 구현
3.7 파인튜닝을 활용한 학습 및 검증 실시
3.8 시맨틱 분할 추론

CHAPTER 4 자세 추정(OpenPose)
4.1 자세 추정 및 오픈포즈 개요
4.2 데이터셋과 데이터 로더 구현
4.3 오픈포즈 네트워크 구성 및 구현
4.4 Feature 및 Stage 모듈 설명 및 구현
4.5 텐서보드X를 사용한 네트워크의 시각화 기법
4.6 오픈포즈 학습
4.7 오픈포즈 추론

CHAPTER 5 GAN을 활용한 화상 생성(DCGAN, Self-Attention GAN)
5.1 GAN을 활용한 화상 생성 메커니즘과 DCGAN 구현
5.2 DCGAN의 손실함수, 학습, 생성
5.3 Self-Attention GAN의 개요
5.4 Self-Attention GAN의 학습, 생성

CHAPTER 6 GAN을 활용한 이상 화상 탐지(AnoGAN, Efficient GAN)
6.1 GAN을 활용한 이상 화상 탐지 메커니즘
6.2 AnoGAN 구현 및 이상 탐지 실시
6.3 Efficient GAN의 개요
6.4 Efficient GAN 구현 및 이상 탐지 실시

CHAPTER 7 자연어 처리에 의한 감정 분석(Transformer)
7.1 형태소 분석 구현(Janome, MeCab+NEologd)
7.2 torchtext를 활용한 데이터셋, 데이터 로더 구현
7.3 단어의 벡터 표현 방식(word2vec, fasttext)
7.4 word2vec, fasttext에서 학습된 모델(일본어)을 사용하는 방법
7.5 IMDb의 데이터 로더 구현
7.6 Transformer 구현(분류 작업용)
7.7 Transformer의 학습/추론, 판단 근거의 시각화 구현

CHAPTER 8 자연어 처리를 활용한 감정 분석(BERT)
8.1 BERT 메커니즘
8.2 BERT 구현
8.3 BERT를 활용한 벡터 표현 비교(bank: 은행과 bank: 강변)
8.4 BERT의 학습 및 추론, 판단 근거의 시각화 구현

CHAPTER 9 동영상 분류(3DCNN, ECO)
9.1 동영상 데이터에 대한 딥러닝과 ECO 개요
9.2 2D Net 모듈(Inception-v2) 구현
9.3 3D Net 모듈(3DCNN) 구현
9.4 Kinetics 동영상 데이터셋을 데이터 로더로 구현
9.5 ECO 모델 구현 및 동영상 분류의 추론 실시

8. 관련 서적(제목 + ISBN)
●\t김기현의 자연어 처리 딥러닝 캠프(파이토치 편) (9791162241974)
●\t밑바닥부터 시작하는 딥러닝 3 (9791162243596)
●\t펭귄브로의 3분 딥러닝, 파이토치맛 (9791162242278)