[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