윤제로의 제로베이스

Num Figure Paper​ Author 1 Multi-Source Domain Alignment for Domain Invariant Segmentation in Unknown Targets Pranjay Shyam(KAIST) Unsupervised Domain Adaptation, Domain Generalization, Contrastive Learning 2 Depth360: Self-supervised Learning for Monocular Depth Estimation using Learnable camera Distortion Model Noriaki Hirose(Toyota central R&D Labs) Point Cloud, Classification, Generation, Cl..

연구실 메인컴이나 서버가 죄다 Linux이기도 하고 scp로 파일 전송하는게 편하기도 하고 많이 하기도 하는데 맨날 까먹어서 매일 여는 블로그 글을 참고해서 정리해봄,, Local --> Remote(server) 1. 단일 파일을 로컬에서 원격지로 scp [옵션] [파일명] [원격지_id]@[원격지_ip]:[받는 위치] 2. 복수의 파일을 로컬에서 원격지로 scp [옵션] [파일명 1] [파일명 2] [원격지_id]@[원격지_ip]:[받는 위치] 3. 디렉토리를 로컬에서 원격지로 (옵션 -r) scp [옵션] [디렉터리 이름] [원격지_id]@[원격지_ip]:[보낼 경로] Remote(server) --> Local 1. 단일 파일을 원격지에서 로컬로 scp [옵션] [원격지_id]@[원격지_ip]:[..

요즘 NeRF에 대해 공부하고 있다. 2020년에 처음 등장한 모델인데 3D vision과 관련이 많은 모델이다 보니 굉장히 핫하게 논문이 많이 올라오고 있는 것 같다. 그래서 GAN을 공부할 때에 비해 상당히 최근 논문들이 많다. 오늘은 그 중에 CVPR 2022 Oral에 올랐던 논문인 Point-NeRF에 대해 정리를 해볼까 한다. https://xharlie.github.io/projects/project_sites/pointnerf/ Point-NeRF: Point-based Neural Radiance Fields Bibtex @article{xu2022point, title={Point-NeRF: Point-based Neural Radiance Fields}, author={Xu, Qian..

이번 겨울 방학 때 읽고 싶은 논문들,,, 2달 밖에 시간이 없어서 빠듯하게 하루에 한편 목표로 잡아도,,, 50개는 읽을까 싶지만 하루에 한편씩 Rough하게 읽는 게 목표 출처 : https://github.com/MatrixBrain/awesome-NeRF GitHub - MatrixBrain/awesome-NeRF: A curated list of awesome neural radiance fields (NeRF) papers. A curated list of awesome neural radiance fields (NeRF) papers. - GitHub - MatrixBrain/awesome-NeRF: A curated list of awesome neural radiance fields (N..

https://github.com/AntixK/PyTorch-VAE GitHub - AntixK/PyTorch-VAE: A Collection of Variational Autoencoders (VAE) in PyTorch. A Collection of Variational Autoencoders (VAE) in PyTorch. - GitHub - AntixK/PyTorch-VAE: A Collection of Variational Autoencoders (VAE) in PyTorch. github.com Base line VAE 모델을 만들기 위한 가장 Base line은 다음과 같다. 위 github에 공유된 코드의 경우 다양한 VAE 모델들을 하나의 framework으로 훈련하고 사용할 수 있도록 ..

NeRF: Neural Radiance Filed 기본적으로 NeRF는 View Synthesis Task를 수행하는 model이다. View Synthesis란 여러 시점 이미지로부터 임의의 시점에서의 이미지를 예측하는 것을 의미한다. 이를 수행하기 위해서 우리가 알아야하는 것은 바로 3D의 정보를 알아야 한다. 그래야 3D에 대해서 새로운 시점에서 바라본 2D 이미지를 예측할 수 있기 때문이다. 그렇다면 3D 정보는 어떻게 담을 수 있을까? 우리는 흔히 2D 정보를 pixel단위로 image에 담는다. 하나의 pixel 위치에 RGB 값을 담으면 그 것이 2D 정보를 담은 것과 같은 것이다. 하지만 이걸 3D에 적용하면 어떨까? 이를 3D 차원에선 흔히 'voxel'이라고 한다. 쉽게 생각해서 pix..

https://arxiv.org/pdf/2011.10650.pdf Introduction VAE는 prior가 주어지고, latent space와 data 사이의 관계를 학습한다 확실한 목표를 가진 model이다. 그래서 이 논문의 저자는 VAE가 Autoregressive Model보다 좊은 화질의 사진들의 분포를 잘 학습할 수 있다고 주장한다. 그래서 아래와 같은 contrivution을 달성하는데 Layer 층 수에 따른 VAE의 성능에 대한 이론을 세우고, autoregressive model이 layer를 쌓은 VAE의 특수한 형태임을 증명 안정적으로 훨씬 많은 layer를 쌓을 수 있는 방법 제공 실험을 통해 capacity와 상관 없이 alyer 수를 늘리는 것이 주는 성능 향상의 영향과 모..

정보량이란 '놀라움의 정도'를 의미한다. 즉 얼마나 새로운 정보를 얻을 수 있는지를 이야기한다. 정보량은 확률이 낮을수록 크다. 확률은 새롭지 않은 정보를 나타낸다. 예를 들어 비올 확률이 80%일 때 비가 오면 우린 이미 확률 80%로 비올 정보를 알고 있었던 것이다. 그렇지만 비가올 확률이 80%인데 비가 오지 않는다면 이는 확률로 표현되지 않은 새로운 정보를 얻은 것이다. 이것이 바로 정보량인 것이다! 수식으로는 다음과 같이 표현한다. 엔트로피(Entropy)란 확률 분포의 정보량이다. 다시 말하면 정보량에 대한 평균, 또한 기댓값에 대한 불확실성이라고 생각하면 된다. 수식으로 표현하면 다음과 같다. 그렇다면 Joint entropy는 무엇일까? Joint Entropy는 두 확률 변수의 결합 엔트..

Soft-Intro VAE의 경우 앞서 리뷰했던 Intro VAE에 이어서 나온 논문이다. 이 논문에 경우 2021 CVPR Oral에 올랐던 논문이니 만큼 굉장히 좋은 논문이라고 해도 과언이 아니다. https://taldatech.github.io/soft-intro-vae-web/ 2022.10.25 - [Self Paper-Seminar/VAE] - Intro-VAE Intro-VAE 1. Introduction VAE VAE(Variational Autoencoder)의 장점은 익히 알고 있기로 좋은 Manifold representation을 만들어낸다는 점이다. Manifold란 데이터가 있는 공간 정도로 이해하면 되는데, 대부분의 generating model은 yoon-zero.tisto..

1. 데이터 통신 데이터 통신 구성요소 메시지(Message) 송신자(Sender) 수신자(Reciever) 전송매체(Medium) 프로토콜(Protocol) 데이터 흐름 방향 단방향(Simplex mode) 반이중(Half-Duplex mode) 쌍방향 가능 동시 불가능 전이중 (Full-Duplex mode) 쌍방향 가능 동시 가능 2. 네트워크 (Network) 네트워크 평가 기준 성능(performance) : Throughput, delay 신뢰성(reliability) : Freauency of failure 보안(security) 물리적 구조 : 회선 구성 점-대-점(point-to-point) 다중점(multipoint) 물리적 구조 : 접속 형태(topology) Mesh Star Bus..