Computer Vision (7) 썸네일형 리스트형 Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild (CVPR 2020 Best Paper) Introductionsymmetric clue를 이용해서 single raw image 인풋으로 (supervision 없이) deformable 3D object recon 하는 논문. 우선은 input image를 depth / albedo / viewpoint / illumination 으로 decompose 하는 autoencoder를 기반으로 하는 end-to-end learning 구조."대부분의 객체들은 이론적으로라도 symmetry 구조를 가진다"를 전제로 풀어냄illumination을 reasoning cue로 사용, appearance 가 shading 등에 의해 완벽한 symmetry 가 아닌 경우에 대해서도 underlying symmetry를 찾을 수 있도록 했다는데 정확히 어떻.. Unsupervised Learning of Dense Visual Representations (NIPS 2020) Abstract일반적인 Visual Representation에서의 문제image level → general, global feature : view-invariant하지만 많은 vision task 들이 dense representation 을 필요ㅗ로 한다 - 즉, 이 local. pixel wise representation을 generalize 하기 위한 방법이 필요.VADeR>> contrastive learning을 활용해 local feature들이 view-invariant하게 constant 하도록 forcing 한다.어떻게 contrastive learning을 활용?>> different view 지만 같은 location을 표현하는 matching feature 들은 embeddi.. Multi-view Relighting using a Geometry-Aware Network Coarse(Apporximated) Geometry 기반 Multi-view Relighting. Main novelty shadow refinement subnetwork illumination buffers. Contribution MVS Geometry proxy를 기반으로 한 end-to-end outdoor relighting network. (novel RGB Shadow imge based) learning based shadow refinement solution to remove and resynthesize shadows. "A Training procedure that uses realistic synthetic scenes to flexibly generate multiple li.. Unsupervised Learning for Intrinsic Image Decomposition from a Single Image (CVPR 2020) Abstract 기존 Intrinsic decomposition - supervised learning으로 진행되었던 것들의 문제점 : gt를 구하기 어렵거나 아예 불가능함. 기존에도 여러 prior들을 이용해 이런 문제를 해결하려는 시도가 있지만, performance limitation이 있거나 hand-crafted 였음. Instead, it directly learns the latent feature of reflectance and shading from unsupervised and uncorrelated data un-labellded, un-correlated data의 reflectance and shading에서 directly latent feature를 배우려면, 일단 refle.. Install packages to Anaconda Environment directly from git source (Windows) 2019년에 나온 따끈따끈한 데이터셋을 사용하려다 일부 정보를 본인들이 제공하는 SDK로만 접근할 수 있도록 해놔서.. 까는 데 고생을 좀 했습니다. 분명 앞으로 이런 일이 또 발생할 것이기 때문에 메모 차원에서 기록을 남깁니다. (기록 내용은 영어로 되어 있는 점 양해 부탁드립니다) Install Packages directly from git source (open Anaconda prompt as administrator) 1. Activate your Anaconda Environment conda activate envName 2. Install git and pip to your conda environment conda install git pip 3. Copy the url of targe.. Learning Common and Specific Features for RGB-D Semantic Segmentation with Deconvolutional Networks (ECCV2016) 최근 연구 때문에 서로 다른 modality를 가지는 데이터 간 correlation을 학습하는 네트워크를 서치하고 있었는데요, 그러던 중 ECCV 2016에서 발표된 RGB-D 데이터 기반의 semantic segmentation 논문을 하나 찾았습니다. RGBD 데이터를 이용해 recognition / segmentation의 성능을 향상시키려는 시도는 이전에도 있었습니다. 다만 논문에서 지적하는 점은 이 논문들에서 RGBD 데이터를 다루는 방식이 두 modality의 특성과 관계에 대한 고려 없이 단순히 concat하는식으로 독립적으로 다룬다는 것입니다. 실제로 제가 이 논문을 찾게 된 이유도 같은 이유라고 할 수 있겠네요. 논문에서는 RGB image와 depth map이라는 서로 다른 modal.. t-SNE implementation code (pytorch) 이전에 classification 결과 분석 때문에 사용했던 t-SNE 분석 및 plot 코드입니다. test_features 에 network의 마지막단 feature를 대입해주면 됩니다. # TSNE requirements from sklearn.manifold import TSNE import seaborn as sns #extract last features only test_features = test_features.data[:,-1,:] tsne = TSNE(n_components=2, perplexity=10, n_iter=300) tsne_ref = tsne.fit_transform(test_features) df = pd.DataFrame(tsne_ref, index=tsne_ref[0.. 이전 1 다음
