최근 랩실 프로젝트를 진행하면서 안드로이드에 대해 이해할 수 있는 시간이 있었다. 따라서 알게된 내용들을 포스팅 해보려 한다.

https://ideadummy.tistory.com/29 [컴퓨터 비전] 이미지 변환(1) 아무래도 이미지를 다루니까 이미지에 대해 설명하지 않을 수 없다. 이미지는 픽셀들의 집합이고, 각 픽셀들은 색을 가지고 있다. 모든 색은 빨강, 초록, 파랑의 적절한 조화로 만들 수 있음을 ideadummy.tistory.com 이전에 작성했던 포스팅을 수정하였다.

컴퓨터 비전에 대한 기본기를 다지려 한다.

RCNN같은 모델들은 이미지에 대한 Classification을 먼저 수행한 모델을 활용하여 Detection 을 수행했다. 이는 2 stage 라고 부르는데, 위 문장을 이해해보면 시간이 꽤나 걸리는 모델임을 어렵지 않게 유추할 수 있다. YOLO는 1 stage로 Classification 과 detection을 동시에 학습한 모델이다. 따라서 학습에 대한 시간도 적을 뿐더러 논문에 의하면 더 나은 성능을 냈음을 볼 수 있는데, 이는 구현하는 입장에 있어 대단히 매력적인 요소가 아닐까 싶다. YOLO는 grid box를 시용하여 detection을 수행한 모델이다. 하나의 그리드에는 여러개의 객체가 존재할 수 있다. 따라서 겹치는 객체에 대해서도 찾아낼 수 있다. 그리고 전 포스팅에서 소개한 로스를 ..

YOLO에 대한 전반적인 이해하기

아무래도 구현에 있어 loss function을 구성하는 것이 가장 까다롭지 않았나 생각한다. 우선 람다는 모두 가중치이다. 논문에 나온 로스 식엔 coord에 대한 가중치와 noobj에 대한 가중치가 표시되어있다. coord는 bounding box의 좌표에 대한 것으로 이에 대한 가중치를 더 주고싶다면, 1보다 큰 값을 주도록 하자. noobj는 후에도 서술하겠지만, 모델이 객체로 인식하지 않은 bounding box를 의미한다. 다음은 저 이상한 1 표시다. 논문에는 다음과 같이 적혀있다. $1^{obj}_{i}$ 은 객체가 i번째 셀에 나타났다는 것을 의미하고, $1^{obj}_{ij}$ 는 i번째 셀에 대한 j번째 bounding box 예측이 합리적이라는 것을 의미한다. 저 합리적이라는 말이 ..

https://arxiv.org/pdf/1506.02640v5.pdf YOLO v1을 읽고 핵심 정리

목표 edge에 가중치를 넣을 수 있게 만들어볼 생각입니다. 결과 우선 Edge 클래스의 필드로 value를 가질 수 있게 했습니다. export class Edge { firstEdgePoint: Point; secondEdgePoint: Point; firstCenterPoint: Point; secondCenterPoint: Point; direction: boolean; // true: first to second, false: second to first value: number | null; constructor( firstEdgePoint: Point, secondEdgePoint: Point, firstCenterPoint: Point, secondCenterPoint: Point, dir..

목표 edge에 가중치를 넣을 수 있게 만들어볼 생각입니다.

목표 하나의 edge를 가진 그래프를 만들고 시각화 해보려 합니다. 결과 하나의 edge는 시작점과 끝점이 있어야하고, 방향을 나타내기 위해 화살표로 만들어야 합니다. 이때 시작점과 끝점은 시작 vertex의 중심에서 끝 vertex의 중심으로 향하는 직선 과, 두 vertex의 교점입니다. 이를 구현하기 위해 점을 회전시키는 함수를 만들어야했고, 이때 사용한 것은 회전 변환 행렬입니다. export class Point { x: number; y: number; constructor(x: number, y: number) { this.x = x; this.y = y; } static getTanValue(centerPoint: Point, targetPoint: Point): number { let w..