끵뀐꿩긘의 여러가지

Sementic Segmentation 대회 개인 회고 - 류건 T4070 이번 프로젝트에서 나의 목표는 무엇이었는가? 1. 다양한 방법론 적용하기 2. 근거에 기반한 실험하기 3. 하고 싶은 거 다 해보기 4. 팀원이 올린 PR 무조건 보기 나는 내 학습목표를 달성하기 위해 무엇을 어떻게 했는가? 이번 segmentation 대회에서는 성적이나 결과보다는 이전 대회에서 아쉬웠던 점을 해결하고 조금 더 발전하는 방향으로 가고 싶었다. 이전 Object Detection 대회에서는 데이터에 기반한 실험 설계가 되지 않았으며, 성능이 좋은 모델의 실행에 많은 초점을 맞추어 이 실험을 하고 있는 동기와 결과 분석이 명확하지 못하였다. 데이터 제작 대회에서는 시간이 부족하고 데이터셋 format에 익숙하지 않아..

처음으로 회고를 시작하였을 때는 대회가 마무리된 직후였다. 순위와 상관없이 대회가 마무리 되었다는 생각과 우리팀이 성적은 좋지 않았지만 다른 팀과는 달리 많은 것들을 손대본 점이 마음에 들었기에 스스로에게 그리고 팀에게 긍정적인 평가를 내린 것 같다. 그렇게 끝날 줄 알았는데, 강희형의 회고를 보고 다시 생각이 많아졌다. 이번 대회에서 강희형이 가장 많은 노력을 하고 팀의 중심이 되었다는 것은 그 누구도 부정할 수 없을 것이다. 누구보다 열심히 한 형이 이렇게 부정적인 평가를 내리다니.. 처음엔 충격이었다. 하지만 형의 회고 속에서 내 모습에 대해 많은 반성을 하게 되었다. 저번 프로젝트가 끝나고 너무 힘들었기에 나는 무의식적으로 대회와 프로젝트보다는 내 몸 챙기기를 우선순위게 둔 것 같다. 더 빨리 더..

OD 대회의 첫 주로 마음은 급한데 생각보다 주제가 너무 어려워서 진도를 빼고, 무언가 마구잡이로 시작만 했던 것 같다. 되돌아보면 부스트 캠프를 시작하면서, 가장 즐겁고 시간을 많이 쏟았던건 블로그 포스팅을 하는 일이었다. 단순히 강의 내용을 정리해서 올리는 건 성에 차지 않았기에 강의 내용을 중심으로 내가 공부하고 싶은 만큼 인터넷 검색을 하거나 논문을 뒤적이며 살을 붙여 올리는 것이 그 당시에 너무 재밌었다. 하지만 점점 주제가 넓어지고 얕아졌으며 사람들과 나의 진도를 비교하게 되면서 블로그 포스팅을 하는게 힘들어졌다. 특히, CV의 전체적인 분야들을 바라보는 5주차에서 보아야할 논문만 2~30개가 넘었고 평일과 주말에 이걸 다 해결하지 못할 것이라는 마음에 블로그 포스팅하는 걸 어느정도 포기했던 ..

문제링크 https://www.acmicpc.net/problem/2138 2138번: 전구와 스위치 N개의 스위치와 N개의 전구가 있다. 각각의 전구는 켜져 있는 상태와 꺼져 있는 상태 중 하나의 상태를 가진다. i(1 전구의 상태를 바꾸면 양옆 전구가 바뀌기 때문에 두번째 전구부터 시작해서 이전 전구의 상태가 희망하는..

1. mmdetection 2. detectron2

- R-CNN 딥러닝을 적용한 최초의 2 stage detector이자 Object Detection 모델 1. selective search 알고리즘(또는 sliding window)을 통해 객체가 있을 법한 위치인 후보 영역(region proposal)을 2000개 추출하여, 각각을 227*227 크기로 warp 시켜준다 2. warp( FC layer의 입력 사이즈가 고정이므로 강제 resize --> ) 된 모든 region proposal을 Fine tune 된 AlexNet에 입력하여 2000*4096 크기의 feature vector를 추출한다 3. 추출된 feature vector를 binary linear SVM과 Bounding Box regressor에 입력하여 각각 class + ..

-Classification / Object Detection / Semantic Segmentation / Instance Segmentation - Object Detection 평가 metric 성능 = mAP 속도 = FPS, FLOPS(실시간 처리를 많이 요구하는 편임) - ROC curve True Positive Rate(실제로 True인 것 중에 True로 예측한 비율)와 False Positive Rate(실제로 False인 것 중에 False로 예측한 비율)의 관계를 나타낸 그래프 - PR curve confidence 레벨에 대한 threshold 값의 변화에 따른 정밀도와 재현율의 관계를 나타내는 그래프 (threshold 값 이상이어야만 검출된 것으로 인정한다) 정밀도와 재현율은 ..

Contents 생각보다 수식적으로 어렵다;; 시간을 더 많이 들여서 익숙해지고 이해해야겠다. Diffusion Forward process(from data to noise) 주어진 이미지가 $x_0$ 일때, gaussian noise를 한번 적용하는 과정을 $q(x_1|x_0)$으로 표현할 수 있다. 이러한 과정을 반복하여 이미지를 완전한 destroy 상태로 만든다. (이미지를 점점 noise화 시켜서 완전한 gaussian 분포를 따르는(pure isotorpic gaussian) 이미지로 만든다) 이때 destroy된 이미지는 normal distribution을 따른다. $$q(x_t|x_{t-1}) := N(x_t;\sqrt{1-\beta _t}x_{t-1}, \beta _t I)$$ 여기서..