3장 충돌회피(Collision avoidance)
이 예제에서, 젯봇이 안전하게 움직일 수 있는 이미지 분류 데이터셋을 모을 것이다. 우리는 젯봇에게 "free"와 "block" 시나리오를 디텍트 하도록 가르칠 것이다. 우리는 이렇게 인공지능 분류기를 사용하여, 젯봇이 위험한 곳으로 들어가는 것을 방지한다.
Step 1. 젯봇에서 데이터셋 만들기
젯봇에 접속하여, https://<jetbot_ip_address>:8888, 디렉토리로 이동한다. ~/Notebooks/collision_avoidance/
"data_collection.ipynb" notebook 파일을 열고 실행한다.
Step 2. neural network 훈련하기
젯봇에 접속하여, https://<jetbot_ip_address>:8888, 디렉토리로 이동한다. ~/Notebooks/collision_avoidance/
"tain_model.ipynb" notebook 파일을 열고 실행한다.
Step 3. 젯봇에서 라이브 데모를 돌려보기
젯봇에 접속하여, https://<jetbot_ip_address>:8888, 디렉토리로 이동한다. ~/Notebooks/collision_avoidance/
"live_demo.ipynb" notebook 파일을 열고 실행한다.
AlexNet
Recurrent Neural Network와 더불어 딥러닝 모델의 양대 산맥으로 주목받고 있는 CNN은 기본적으로 얀 르쿤이 1989년 제안한 구조를 토대로 하고 있습니다. 컴퓨터 비전 분야의 ‘올림픽’이라 할 수 있는 ILSVRC(ImageNet Large-Scale Visual Recognition Challenge)의 2012년 대회에서 제프리 힌튼 교수팀의 AlexNet이 top 5 test error 기준 15.4%를 기록해 2위(26.2%)를 큰 폭으로 따돌리고 1위를 차지했습니다.
여기서 top 5 test error란 모델이 예측한 최상위 5개 범주 가운데 정답이 없는 경우의 오류율을 나타냅니다. 당시 ILSVRC 데이터셋(Image은 1000개 범주 예측 문제였습니다. 어쨌든 AlexNet 덕분에 딥러닝, 특히 CNN이 세간의 주목을 받게 됐습니다. AlexNet 아키텍처의 주요 특징은 다음과 같습니다.
conv layer, max-pooling layer, dropout layer 5개
fully connected layer 3개
nonlinearity function : ReLU
batch stochastic gradient descent
AlexNet이 중요한 이유는 의미있는 성능을 낸 첫번째 CNN 아키텍처이자, AlexNet에 쓰인 드롭아웃 등 기법은 이 분야 표준으로 자리잡을 정도로 선도적인 역할을 했기 때문입니다.
기본개념
Last updated
