| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 8 | 9 | 10 | 11 | 12 | 13 | 14 |
| 15 | 16 | 17 | 18 | 19 | 20 | 21 |
| 22 | 23 | 24 | 25 | 26 | 27 | 28 |
| 29 | 30 |
- SSL
- computervision
- CV
- FGVC
- FineGrained
- math
- clean code
- cs
- PRML
- Python
- Front
- web
- REACT
- nlp
- Meta Learning
- nerf
- pytorch
- GAN
- 3d
- Torch
- 딥러닝
- classification
- 알고리즘
- 자료구조
- Depth estimation
- 머신러닝
- Vision
- dl
- algorithm
- ML
- Today
- Total
목록Study (59)
KalelPark's LAB
[Math] Chi-Sqaured, T, F distribution
Referene https://youtube.com/playlist?list=PLpIPLT0Pf7IqS4as3nefPyGv94r2aY6IT # 핵심 확률/통계 www.youtube.com
[Math] chapter 5.3 [Probabilistic Graphical Models : Factor Graphs]
MRF Factorization Ambiguities - Markov Random Fields와 관련해서, 상세한 설명을 진행함. Factor Graphs
[Math] chapter 5.2 [Probabilistic Graphical Models : Markov Random Fields]
Markov Random Field, MRF 확률 그래프 모델로써 Maximum click에 대해서, Joint Probability로 표현한 것이다. 즉, 한 부분의 데이터를 알기 위해 전체의 데이터를 보고 판단하는 것이 아니라, 이웃하고 있는 데이터들과의 관계를 통해서 판단합니다. [활용 분야] - Imge Restoration (이미지 복원) - texture analysis (텍스쳐 분석) - Image segmentation (이미지 분할) - Imge Labeling (이미지 레이블 정의) - Edge detection (모서리 검출) - object recognition (물체 인식) MRF를 알기 전에 2가지 그래프에 대해서 알고 넘어갈 필요가 있다. Directed Graph vs Un..
[Math] chapter 5.1 [Probabilistic Graphical Models: Structured Prediction]
Structured Prediction Spatial Regularization - 어떻게 depth maps의 분포를 지식으로 활용할 수 있는지? - Graphical model내에서 각 node는 one pixel에 대응되고, 인접한 Pixel들과 상호작용합니다. Probabilistic Graphical Models - 확률적 관점을 선택하고, 구조적으로 의존하는 계층을 나타냅니다. - random variables 사이에서 local constraints기반의 structured prediction을 진행합니다. - 확률기반 Graphic 모델의 특징에 대해서 언급을 하고 있음. Supervised Learning & Classification / Regression
[Math] chapter 4.5 [Stereo Reconstruction: End-to-End Learning]
End-to-End Learning Stereo에 대한 초기 Architecture를 설명하고 있다. 해당 architecture로 실험한 내용이다. (Ref : https://arxiv.org/pdf/1512.02134.pdf) 또 다른 모델로 GcNet을 설명하고 있다. - 불균형 또한 계산을 하고, 3D. convolution을 이전과 다르게 적용함. 회귀에 의존하지 않고, 단순히 기대치를 기반으로, 불균형에 대한 기대치에 확률분포를 곱하여, 예상된 시차에 따른 오차를 줄이려고 노력합니다. SMD-Nets을 설명하고 있음 (이해가 잘 안됨..) 기존 모델들은 경계가 날카롭지 않거나, 상당히 많은 비용이 듬. 이중 선형 보건을 활용하는 방법을 통하여 학습을 진행함. (추후, Markov chain 및..
[Math] chapter 4.4 [Stereo Reconstruction: Spatial Regularization]
Spatial Regularization Local Matching 대해서 설명합니다. 유사한 이미지라도, 카메라의 위치에 따라, 각기 다르게 정보가 읽힐 수 있습니다. 현실 세계에서는 물체의 불연속성을 제외하고는, 깊이는 천천히 변합니다. Stereo MRF(Markov Random Field) Bayseian Modeling을 통해서, 이미지를 분석하는데 사용되는 방법이다. 한 부분의 데이터를 알기 위해 전체의 데이터를 보고 판단하는 것이 아니라, 이웃하고 있는 데이터들과의 관계를 통해서 판단합니다. 한 상태에서 다른 상태로 변할 확률이 현재의 상태에만 의존하는 모델을 의미함 Markov Random Fields (MRF) 모델을 바탕으로 한 영상 해석은 모델의 영상의 기본구조들로 구성된 그래프 위에..
[Math] chapter 4.3 [Stereo Reconstruction: Siamese Networks]
Siamese Networks for Stereo Matching Hand crafted features과 similarity metrics는 기하학적 모든 패턴을 고려하지 않습니다. 또한, 폐색 패턴을 고려하지 않습니다. Siamese Network는 disparity maps 기반으로 CNN patch-wise 이미지를 학습합니다. 이미지간의 관계가 feature들을 dot product 하고, WTA 를 maximization하는 방법을 찾습니다. Siamese Networks Architecture - 각각의 Simamese 의 특징들을 보여주고 있음.. , 우리는 Cosine similarity기반임. Training Triplet patch로 구성된 training set의 흐름에 대해서 설명..