update README.md

@@ -23,13 +23,14 @@ Covid-19 확산이 기약 없이 계속되면서, 전세계 코로나 확진자
 
 
 ## 연구 방법
 ## 연구 방법
 
 
-<img src = "/Desktop/1.png" width="450px" height="300px">
+![1](/uploads/51f2d28c7c5a07396fd3446be566dc10/1.png)
+
 
 
 Brixia Dataset을 학습을 기반으로 COVID-19 환자의 흉부 X-ray 영상이 입력값으로 주어졌을 때, 흉부 전체의 이상을 감지하여 0-18 범위의 중증도 점수를 출력하는 모델을 제안한다. 따라서 모델이 Brixia Score COVID-19 Dataset을 학습하는 과정에서 6개의 영역으로 나누어져 0-3 범위로 점수가 매겨진 Brixia Score를 모두 합하여 0-18 범위의 전역(Global) 중증도 점수를 학습하도록 한다. Regression 모델을 구현하기 위한 목적 함수로서 Mean Squared Error(MSE)와 L1 Loss 함수를 설계한다
 Brixia Dataset을 학습을 기반으로 COVID-19 환자의 흉부 X-ray 영상이 입력값으로 주어졌을 때, 흉부 전체의 이상을 감지하여 0-18 범위의 중증도 점수를 출력하는 모델을 제안한다. 따라서 모델이 Brixia Score COVID-19 Dataset을 학습하는 과정에서 6개의 영역으로 나누어져 0-3 범위로 점수가 매겨진 Brixia Score를 모두 합하여 0-18 범위의 전역(Global) 중증도 점수를 학습하도록 한다. Regression 모델을 구현하기 위한 목적 함수로서 Mean Squared Error(MSE)와 L1 Loss 함수를 설계한다
 
 
 ## 연구 결과
 ## 연구 결과
 
 
-<img src = "/Desktop/kcc/표_final.png" width="450px" height="300px">
+![2](/uploads/fc6992e2cf664edc33d79a3c1e90b45e/2.png)
 
 
 본 연구에서는 L1 loss와 MSE를 사용하여 모델의 학습 성능을 비교하는 실험을 진행하였다. 100의 epoch동안 딥 네트워크가 학습되었다. 학습 초반에는 MSE를 사용한 모델이 L1을 사용한 모델보다 낮은 Mean Absolute Error (MAE) 값으로 좋은 성능을 보였다. 그러나 최종 학습 결과 L1 Loss를 사용한 모델의 MAE는 1.946, MSE를 사용한 모델의 MAE는 1.998의 결과 값이 나왔다. 결과적으로 학습이 진행될수록 L1 Loss를 사용한 모델이 더 낮은 오류율 (MAE)로 더 좋은 성능을 보이는 결과가 나타났다.
 본 연구에서는 L1 loss와 MSE를 사용하여 모델의 학습 성능을 비교하는 실험을 진행하였다. 100의 epoch동안 딥 네트워크가 학습되었다. 학습 초반에는 MSE를 사용한 모델이 L1을 사용한 모델보다 낮은 Mean Absolute Error (MAE) 값으로 좋은 성능을 보였다. 그러나 최종 학습 결과 L1 Loss를 사용한 모델의 MAE는 1.946, MSE를 사용한 모델의 MAE는 1.998의 결과 값이 나왔다. 결과적으로 학습이 진행될수록 L1 Loss를 사용한 모델이 더 낮은 오류율 (MAE)로 더 좋은 성능을 보이는 결과가 나타났다.