728x90 반응형 Module 6. 강화학습 (Reinforcement Learning) (고려대학교 이병준 교수) 날짜: 2023년 7월 13일 Part 1. MDP and Planning : Markov Decision Process의 약자 Sequential Decision Making under Uncertainty를 위한 기법 강화학습(Reinforcement Learning, RL)을 위한 기본 기법 알고리즘(transition probability, reward function)을 알고 있을 때는 MDP(stocasitc control 기법)을 이용 알고리즘을 모르고 simulation 결과(reward 값)를 활용할 때는 강화학습을 이용 https://velog.io/@recoder/MDP%EC%9D%98%EA%B0%9C%EB%85%90 S : set of states(state space) state .. 2023. 7. 15. Noisy Student: Self-training with Noisy Student improves ImageNet classification(2019) 리뷰는 아래쪽에 있습니당 ! ! 번역 ver 0. Abstract 우리는 Noisy Student Training을 제안합니다. 이는 레이블이 풍부한 경우에도 잘 작동하는 준지도 학습 방법입니다. Noisy Student Training은 ImageNet에서 88.4%의 top-1 정확도를 달성합니다. 이는 35억 개의 약한 레이블이 부착된 Instagram 이미지가 필요한 최첨단 모델보다 2.0% 더 높은 성능입니다. 강건성 테스트 세트에서는 ImageNet-A의 top-1 정확도를 61.0%에서 83.7%로 향상시키며, ImageNet-C의 평균 손상 오차를 45.7에서 28.3으로 줄이고, ImageNet-P의 평균 뒤집기 비율을 27.8에서 12.2로 줄입니다. Noisy Student Train.. 2023. 7. 14. Module 6. 강화학습 (Reinforcement Learning) (고려대학교 이병준 교수) Part 1. MDP and Planning : Markov Decision Process의 약자 - Sequential Decision Making under Uncertainty를 위한 기법 - 강화학습(Reinforcement Learning, RL)을 위한 기본 기법 - 알고리즘(transition probability, reward function)을 알고 있을 때는 MDP(stocasitc control 기법)을 이용 - 알고리즘을 모르고 simulation 결과(reward 값)를 활용할 때는 강화학습을 이용 https://velog.io/@recoder/MDP%EC%9D%98%EA%B0%9C%EB%85%90 S : set of states(state space) - state s t∈S :.. 2023. 7. 13. NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis 💡 0. Abstract 우리는 드문 입력 뷰 세트를 사용하여 연속적인 부피 장면 함수를 최적화하여 복잡한 장면의 새로운 시점을 합성하는 최첨단 결과를 달성하는 방법을 제시합니다. 우리의 알고리즘은 완전히 연결된 (비선형) 심층 네트워크를 사용하여 장면을 표현하며, 입력은 단일 연속적인 5D 좌표 (공간 위치 (x, y, z) 및 시청 방향 (θ, φ))이고 출력은 해당 공간 위치에서의 부피 밀도와 시점에 의존하는 방출 래디언스입니다. 우리는 카메라 광선을 따라 5D 좌표를 쿼리하여 뷰를 합성하고, 전통적인 부피 렌더링 기술을 사용하여 출력 색상과 밀도를 이미지로 투영합니다. 부피 렌더링은 자연스럽게 미분 가능하기 때문에, 우리의 표현을 최적화하기 위해 필요한 유일한 입력은 알려진 카메라 포즈를 가진 이.. 2023. 7. 13. [1주차] NeRF: Representing Scenes asNeural Radiance Fields for View Synthesis 💡 0. Abstract 우리는 드문 입력 뷰 세트를 사용하여 연속적인 부피 장면 함수를 최적화하여 복잡한 장면의 새로운 시점을 합성하는 최첨단 결과를 달성하는 방법을 제시합니다. 우리의 알고리즘은 완전히 연결된 (비선형) 심층 네트워크를 사용하여 장면을 표현하며, 입력은 단일 연속적인 5D 좌표 (공간 위치 (x, y, z) 및 시청 방향 (θ, φ))이고 출력은 해당 공간 위치에서의 부피 밀도와 시점에 의존하는 방출 래디언스입니다. 우리는 카메라 광선을 따라 5D 좌표를 쿼리하여 뷰를 합성하고, 전통적인 부피 렌더링 기술을 사용하여 출력 색상과 밀도를 이미지로 투영합니다. 부피 렌더링은 자연스럽게 미분 가능하기 때문에, 우리의 표현을 최적화하기 위해 필요한 유일한 입력은 알려진 카메라 포즈를 가진 이.. 2023. 7. 13. [1주차] [EECS 498-007 / 598-005] 3D Vision 강의 정리 1. 3D Vision Topics 2. 3D Shape Representations 2.1 3D Shape Representations: Depth Map 💡 픽셀에 대해 카메라와 픽셀의 거리를 구하는 방식 + 시야의 단점을 보완하기 위한 loss 구비 https://arxiv.org/abs/1411.4734 Depth map은 각 pixel에 대해 카메라와 픽셀 사이의 거리를 구함 기존 segmentation 처럼 FC를 통해 pixel 별로 계산할 수 있다 이를 통해 Predicted Depth Image와 Ground-Truth image와의 Per-pixel loss를 계산하여 학습할 수 있음 하지만 우리 눈에서는 작고 가까이 있는 물체와 크고 멀리 있는 물체의 크기를 구분하지 못함 위 문제를 .. 2023. 7. 10. 이전 1 ··· 4 5 6 7 8 9 10 ··· 18 다음 728x90 반응형
