728x90 ๋ฐ์ํ All Post105 Module 6. ๊ฐํํ์ต (Reinforcement Learning) (๊ณ ๋ ค๋ํ๊ต ์ด๋ณ์ค ๊ต์) ๋ ์ง: 2023๋ 7์ 13์ผ Part 1. MDP and Planning : Markov Decision Process์ ์ฝ์ Sequential Decision Making under Uncertainty๋ฅผ ์ํ ๊ธฐ๋ฒ ๊ฐํํ์ต(Reinforcement Learning, RL)์ ์ํ ๊ธฐ๋ณธ ๊ธฐ๋ฒ ์๊ณ ๋ฆฌ์ฆ(transition probability, reward function)์ ์๊ณ ์์ ๋๋ MDP(stocasitc control ๊ธฐ๋ฒ)์ ์ด์ฉ ์๊ณ ๋ฆฌ์ฆ์ ๋ชจ๋ฅด๊ณ simulation ๊ฒฐ๊ณผ(reward ๊ฐ)๋ฅผ ํ์ฉํ ๋๋ ๊ฐํํ์ต์ ์ด์ฉ 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) ๋ฆฌ๋ทฐ๋ ์๋์ชฝ์ ์์ต๋๋น ! ! ๋ฒ์ญ ver 0. Abstract ์ฐ๋ฆฌ๋ Noisy Student Training์ ์ ์ํฉ๋๋ค. ์ด๋ ๋ ์ด๋ธ์ด ํ๋ถํ ๊ฒฝ์ฐ์๋ ์ ์๋ํ๋ ์ค์ง๋ ํ์ต ๋ฐฉ๋ฒ์ ๋๋ค. Noisy Student Training์ ImageNet์์ 88.4%์ top-1 ์ ํ๋๋ฅผ ๋ฌ์ฑํฉ๋๋ค. ์ด๋ 35์ต ๊ฐ์ ์ฝํ ๋ ์ด๋ธ์ด ๋ถ์ฐฉ๋ Instagram ์ด๋ฏธ์ง๊ฐ ํ์ํ ์ต์ฒจ๋จ ๋ชจ๋ธ๋ณด๋ค 2.0% ๋ ๋์ ์ฑ๋ฅ์ ๋๋ค. ๊ฐ๊ฑด์ฑ ํ ์คํธ ์ธํธ์์๋ ImageNet-A์ top-1 ์ ํ๋๋ฅผ 61.0%์์ 83.7%๋ก ํฅ์์ํค๋ฉฐ, ImageNet-C์ ํ๊ท ์์ ์ค์ฐจ๋ฅผ 45.7์์ 28.3์ผ๋ก ์ค์ด๊ณ , ImageNet-P์ ํ๊ท ๋ค์ง๊ธฐ ๋น์จ์ 27.8์์ 12.2๋ก ์ค์ ๋๋ค. Noisy Student Train.. 2023. 7. 14. Module 6. ๊ฐํํ์ต (Reinforcement Learning) (๊ณ ๋ ค๋ํ๊ต ์ด๋ณ์ค ๊ต์) Part 1. MDP and Planning : Markov Decision Process์ ์ฝ์ - Sequential Decision Making under Uncertainty๋ฅผ ์ํ ๊ธฐ๋ฒ - ๊ฐํํ์ต(Reinforcement Learning, RL)์ ์ํ ๊ธฐ๋ณธ ๊ธฐ๋ฒ - ์๊ณ ๋ฆฌ์ฆ(transition probability, reward function)์ ์๊ณ ์์ ๋๋ MDP(stocasitc control ๊ธฐ๋ฒ)์ ์ด์ฉ - ์๊ณ ๋ฆฌ์ฆ์ ๋ชจ๋ฅด๊ณ simulation ๊ฒฐ๊ณผ(reward ๊ฐ)๋ฅผ ํ์ฉํ ๋๋ ๊ฐํํ์ต์ ์ด์ฉ 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 ๐ก 0. Abstract ์ฐ๋ฆฌ๋ ๋๋ฌธ ์ ๋ ฅ ๋ทฐ ์ธํธ๋ฅผ ์ฌ์ฉํ์ฌ ์ฐ์์ ์ธ ๋ถํผ ์ฅ๋ฉด ํจ์๋ฅผ ์ต์ ํํ์ฌ ๋ณต์กํ ์ฅ๋ฉด์ ์๋ก์ด ์์ ์ ํฉ์ฑํ๋ ์ต์ฒจ๋จ ๊ฒฐ๊ณผ๋ฅผ ๋ฌ์ฑํ๋ ๋ฐฉ๋ฒ์ ์ ์ํฉ๋๋ค. ์ฐ๋ฆฌ์ ์๊ณ ๋ฆฌ์ฆ์ ์์ ํ ์ฐ๊ฒฐ๋ (๋น์ ํ) ์ฌ์ธต ๋คํธ์ํฌ๋ฅผ ์ฌ์ฉํ์ฌ ์ฅ๋ฉด์ ํํํ๋ฉฐ, ์ ๋ ฅ์ ๋จ์ผ ์ฐ์์ ์ธ 5D ์ขํ (๊ณต๊ฐ ์์น (x, y, z) ๋ฐ ์์ฒญ ๋ฐฉํฅ (θ, φ))์ด๊ณ ์ถ๋ ฅ์ ํด๋น ๊ณต๊ฐ ์์น์์์ ๋ถํผ ๋ฐ๋์ ์์ ์ ์์กดํ๋ ๋ฐฉ์ถ ๋๋์ธ์ค์ ๋๋ค. ์ฐ๋ฆฌ๋ ์นด๋ฉ๋ผ ๊ด์ ์ ๋ฐ๋ผ 5D ์ขํ๋ฅผ ์ฟผ๋ฆฌํ์ฌ ๋ทฐ๋ฅผ ํฉ์ฑํ๊ณ , ์ ํต์ ์ธ ๋ถํผ ๋ ๋๋ง ๊ธฐ์ ์ ์ฌ์ฉํ์ฌ ์ถ๋ ฅ ์์๊ณผ ๋ฐ๋๋ฅผ ์ด๋ฏธ์ง๋ก ํฌ์ํฉ๋๋ค. ๋ถํผ ๋ ๋๋ง์ ์์ฐ์ค๋ฝ๊ฒ ๋ฏธ๋ถ ๊ฐ๋ฅํ๊ธฐ ๋๋ฌธ์, ์ฐ๋ฆฌ์ ํํ์ ์ต์ ํํ๊ธฐ ์ํด ํ์ํ ์ ์ผํ ์ ๋ ฅ์ ์๋ ค์ง ์นด๋ฉ๋ผ ํฌ์ฆ๋ฅผ ๊ฐ์ง ์ด.. 2023. 7. 13. [1์ฃผ์ฐจ] NeRF: Representing Scenes asNeural Radiance Fields for View Synthesis ๐ก 0. Abstract ์ฐ๋ฆฌ๋ ๋๋ฌธ ์ ๋ ฅ ๋ทฐ ์ธํธ๋ฅผ ์ฌ์ฉํ์ฌ ์ฐ์์ ์ธ ๋ถํผ ์ฅ๋ฉด ํจ์๋ฅผ ์ต์ ํํ์ฌ ๋ณต์กํ ์ฅ๋ฉด์ ์๋ก์ด ์์ ์ ํฉ์ฑํ๋ ์ต์ฒจ๋จ ๊ฒฐ๊ณผ๋ฅผ ๋ฌ์ฑํ๋ ๋ฐฉ๋ฒ์ ์ ์ํฉ๋๋ค. ์ฐ๋ฆฌ์ ์๊ณ ๋ฆฌ์ฆ์ ์์ ํ ์ฐ๊ฒฐ๋ (๋น์ ํ) ์ฌ์ธต ๋คํธ์ํฌ๋ฅผ ์ฌ์ฉํ์ฌ ์ฅ๋ฉด์ ํํํ๋ฉฐ, ์ ๋ ฅ์ ๋จ์ผ ์ฐ์์ ์ธ 5D ์ขํ (๊ณต๊ฐ ์์น (x, y, z) ๋ฐ ์์ฒญ ๋ฐฉํฅ (θ, φ))์ด๊ณ ์ถ๋ ฅ์ ํด๋น ๊ณต๊ฐ ์์น์์์ ๋ถํผ ๋ฐ๋์ ์์ ์ ์์กดํ๋ ๋ฐฉ์ถ ๋๋์ธ์ค์ ๋๋ค. ์ฐ๋ฆฌ๋ ์นด๋ฉ๋ผ ๊ด์ ์ ๋ฐ๋ผ 5D ์ขํ๋ฅผ ์ฟผ๋ฆฌํ์ฌ ๋ทฐ๋ฅผ ํฉ์ฑํ๊ณ , ์ ํต์ ์ธ ๋ถํผ ๋ ๋๋ง ๊ธฐ์ ์ ์ฌ์ฉํ์ฌ ์ถ๋ ฅ ์์๊ณผ ๋ฐ๋๋ฅผ ์ด๋ฏธ์ง๋ก ํฌ์ํฉ๋๋ค. ๋ถํผ ๋ ๋๋ง์ ์์ฐ์ค๋ฝ๊ฒ ๋ฏธ๋ถ ๊ฐ๋ฅํ๊ธฐ ๋๋ฌธ์, ์ฐ๋ฆฌ์ ํํ์ ์ต์ ํํ๊ธฐ ์ํด ํ์ํ ์ ์ผํ ์ ๋ ฅ์ ์๋ ค์ง ์นด๋ฉ๋ผ ํฌ์ฆ๋ฅผ ๊ฐ์ง ์ด.. 2023. 7. 13. [1์ฃผ์ฐจ] [EECS 498-007 / 598-005] 3D Vision ๊ฐ์ ์ ๋ฆฌ 1. 3D Vision Topics 2. 3D Shape Representations 2.1 3D Shape Representations: Depth Map ๐ก ํฝ์ ์ ๋ํด ์นด๋ฉ๋ผ์ ํฝ์ ์ ๊ฑฐ๋ฆฌ๋ฅผ ๊ตฌํ๋ ๋ฐฉ์ + ์์ผ์ ๋จ์ ์ ๋ณด์ํ๊ธฐ ์ํ loss ๊ตฌ๋น https://arxiv.org/abs/1411.4734 Depth map์ ๊ฐ pixel์ ๋ํด ์นด๋ฉ๋ผ์ ํฝ์ ์ฌ์ด์ ๊ฑฐ๋ฆฌ๋ฅผ ๊ตฌํจ ๊ธฐ์กด segmentation ์ฒ๋ผ FC๋ฅผ ํตํด pixel ๋ณ๋ก ๊ณ์ฐํ ์ ์๋ค ์ด๋ฅผ ํตํด Predicted Depth Image์ Ground-Truth image์์ Per-pixel loss๋ฅผ ๊ณ์ฐํ์ฌ ํ์ตํ ์ ์์ ํ์ง๋ง ์ฐ๋ฆฌ ๋์์๋ ์๊ณ ๊ฐ๊น์ด ์๋ ๋ฌผ์ฒด์ ํฌ๊ณ ๋ฉ๋ฆฌ ์๋ ๋ฌผ์ฒด์ ํฌ๊ธฐ๋ฅผ ๊ตฌ๋ถํ์ง ๋ชปํจ ์ ๋ฌธ์ ๋ฅผ .. 2023. 7. 10. ์ด์ 1 ยทยทยท 4 5 6 7 8 9 10 ยทยทยท 18 ๋ค์ 728x90 ๋ฐ์ํ