분류 전체보기 (23) 썸네일형 리스트형 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.. GAP(Global Average Pooling) GAP는 최근에 제시된 CNN architecture에서 널리 쓰이고 있는 pooling 방식입니다. CNN의 기존 FC layer가 지나치게 많은 연산량 / spatial information을 잃어버리는 문제를 가지고 있어 이에 대한 대안으로 제시되었는데요, 간단하게 그림을 통해 살펴보겠습니다. 기존 FC layer는 이전 layer 단에서 추출된 모든 feature들을 concat해 이들로부터 각 class 별 score를 구해 classification 하는 형태로 사용되었습니다. 당연히 연산량도 매우 많고, classification에 영향을 끼친 feature가 어느 부분에서 추출되었는지도 알 수 었으며, input 의 크기 또한 제한된다는 문제점을 지니고 있었습니다. GAP는 각각의 feat.. Encoding based Material Recognition(2) Encoding based Material Recognition 두 번째 포스팅입니다. 지난 포스팅에서는 이전 FVCNN, Deep Filter banks 기반 재질 인식에서 한 발짝 더 나아간 논문을 리뷰했었는데요, 이번에는 이 네트워크의 단점을 보완해 이듬해 CVPR에서 발표된 논문을 살펴보겠습니다. 이전 포스팅을 아직 읽지 않으셨다면 먼저 읽고 오시는 것을 추천드리겠습니다. 링크 걸어두었습니다. Deep Texture Manifold for Ground Terrain Recognition (Xue et al. CVPR 2018) 이전 포스팅에서 Deep TEN이 Texture Recognition에 유용한 order-less, spatially-invariant 한 feature representa.. Manifold in Machine Learning 논문 리뷰를 하던 중 terminology 하나를 짚고 넘어갈 필요성을 느껴 포스트를 올립니다. 제가 읽으려던 논문의 제목은 인데요, Manifold 라는 단어는 이 논문의 제목 뿐만 아니라 머신 러닝 관련 document들을 읽다보면 빈번하게 발견할 수 있습니다. 이번 포스트에서는 그 의미를 짚고 넘어가려 합니다. 정리한 개념 / 정보 출처는 포스트 하단에 적어 놓겠습니다. Manifold in Data Science 데이터 사이언스에서 Manifold는 다음과 같은 의미를 가지고 있습니다. A topological space that resembles Euclidean space near each point 다시 말해, n dimensional manifold에 포함되어 있는 각각의 요소들은 이 ma.. Encoding based Material Recognition (1) 첫 번째 재질 인식 논문 포스팅입니다. 이번 포스팅에서는 최근 2-3년 간 재질 인식 분야에서 좋은 성능을 내고 있는 네트워크 형태에 대해 정리를 해보려고 하는데요, 바로 Encoding Layer 기반의 네트워크입니다. 총 두 가지 논문을 살펴볼텐데요, 리스트는 다음과 같습니다. Deep TEN: Texture Encoding Network (Zhang et al, CVPR 2017) Deep Texture Manifold for Ground Terrain Recognition (Xue et al. CVPR 2018) 두 가지 논문을 정리한 후에는 몇 가지 golden-standard dataset에서 좋은 성능을 보인 최신 논문 (ICCV 2019)에 대해 살펴보는 것으로 마무리를 지을까 합니다. 우.. 이전 1 2 3 다음
