# 오전 일과 9시: 대학원실 출근 9시~11시: 데이터마이닝 시험 공부 11시~12시반: 점심식사 # 오후 일과 12시반~13시반: 데이터마이닝 시험 공부 13시반~16시반: 선형통계모형 수강 16시반~18시: 데이터마이닝 시험 공부 18시~19시: 휴식 19시~20시반: 저녁식사 20시반~24시: 데이터마이닝 시험 공부 24시: 대학원실 퇴근 # 한 줄 요약 내일이 데이터마이닝 중간고사여서 Faster R-CNN 구현은 잠시 중단했다. 역시 시험기간이어서 그런지 집중력이 많이 떨어졌다. 시험공부 빼고 나머지는 다 재미있어서 중간 중간에 휴식도 많이 취하고 하루를 어영부영 보내버렸다. 내일 시험을 보고나면 다시 열심히 살아야겠다.

# 오전 일과 9시: 대학원실 출근 9시~10시: Faster R-CNN 구현 10시~11시: 코딩테스트 공부 (BOJ) 11시~12시반: 점심식사 # 오후 일과 12시반~14시: Imbalanced Data 공부 14시~17시: 응용시계열분석 수강 17시~20시: Imbalanced Data 코드 구현 및 Github 게시 20시~21시: 저녁식사 21시~23시: 데이터마이닝 시험 공부 23시: 대학원실 퇴근 # 한 줄 요약 오늘도 역시나 Faster R-CNN을 구현하는 것에 오늘도 실패했다. 매일 실패의 원인이 무엇일지 찾고 있지만 아직 찾아내지 못했다. 오늘도 마찬가지로 코드를 수정해서 모델을 돌리고 퇴근하는데, 내일 출근했을 때는 모델이 성공적으로 구현되어있으면 좋겠다.

# 오후 일과 14시: 대학원실 출근 14시~19시: Faster R-CNN 구현 19시~20시: 저녁식사 20시~21시: 퍼셉트론 관련 블로그 게시글 게시 21시: 대학원실 퇴근 # 한 줄 요약 Faster R-CNN을 구현하는 것에 오늘도 실패했다. 그러나 어제와 마찬가지로 실패의 원인으로 추정되는 새로운 부분을 발견해서 코드를 수정하여 다시 모델을 돌려두고 퇴근했다. 내일 출근했을 때는 모델이 성공적으로 구현되어있으면 좋겠다. 추가로, 드디어 퍼셉트론 관련 블로그 게시글을 게시했다.

# 오전 일과 10시반: 대학원실 출근 10시반~12시: 학부 통계학개론(1) 중간고사 출제 12시~13시: 점심식사 # 오후 일과 13시~14시: Faster R-CNN 구현 14시~15시: 코딩테스트 공부 (BOJ) 15시반~17시반: 퍼셉트론 관련 블로그 게시글 준비 17시반~18시: Faster R-CNN 구현 18시: 대학원실 퇴근 # 한 줄 요약 Faster R-CNN을 구현하기 위해 초기 Weight 값을 구해서 학습 과정에 넣어주었지만 여전히 Bounding Box를 정상적으로 생성하는 것에 실패했다. 원인을 찾지 못한 채로 퇴근했으나 집에서 마저 연구를 이어가던 중 문제의 원인으로 예상되는 부분을 발견했다. 해당 부분을 수정하여 모델을 다시 돌려두고 잘 예정인데 아침에 일어났을 때 모델이..

# 오전 일과 9시반: 대학원실 출근 9시반~12시: Faster R-CNN 구현 12시~13시반: 점심식사 # 오후 일과 13반반~16시: Faster R-CNN 구현 16시~18시반: 선형통계모형 과제 18시반~19시반: 저녁식사 19시반~22시: 선형통계모형 과제 21시~22시반: Faster R-CNN 구현 22시반~23시: 코딩테스트 공부 (BOJ) 23시: 대학원실 퇴근 # 한 줄 요약 어제 Faster R-CNN을 Test했을 때 성능이 좋지 않았던 원인을 발견한 것 같다. 최초에 Weight를 넣어주어야 하는데 Weight를 따로 넣어주지 않아서 모델이 학습을 진행하는 과정에서 어려움이 있었던 것으로 판단된다. 그래서 이를 해결하고 다시 Test를 진행했으나 이번에는 다른 문제가 발생하였다..

# 오전 일과 9시반: 대학원실 출근 9시반~12시: Faster R-CNN 구현 12시~14시: 점심식사 # 오후 일과 14반~16시: Faster R-CNN 구현 16시~18시: 코딩테스트 공부 (BOJ) 18시~20시: Faster R-CNN 구현 20시~21시: 저녁식사 21시~23시: 선형통계모형 과제 23시: 대학원실 퇴근 # 한 줄 요약 드디어 Faster R-CNN 구현을 성공했으나 Train 데이터를 너무 적게 사용한 탓인지 결과가 기대에 크게 못미치는 수준으로 도출되었다. Train 데이터의 양을 100배 가량 늘린 후 다시 실행한 상태로 퇴근을 했는데 내일 아침에 출근했을 때 모델이 잘 훈련되어 있으면 좋겠다.