1. 개념 영상 속에서 어떤 물체가 어디에 있는지 파악하는 것을 객체 탐지라고 합니다. 2. 예시 아래 사진에서, 어떤 물체(사람, 버스, 자전거 등)가 어디(화면의 가운데, 우측 하단 등에 box 표시)에 있는지 알아내는 것

0. 들어가기에 앞서본 게시글은 수학적인 내용을 제외하고, 개념적으로 가볍게 RANSAC이 무엇인지 알아보기 위해 작성한 글입니다.더욱 자세한 내용을 알고싶다면, 아래의 참고 링크 부분의 링크를 참고 바랍니다. 1. 개념outlier를 handling하여 curve(model)을 fitting하는 방법 2. 방법수 많은 point 중, 랜덤하게 점을 선택하여 model을 생성하고 오차 계산가정이 설정된 model에 margin을 설정하고, margin의 범위 안에 들어오는 point(inlier)의 수가 많아질 때 까지 이전까지의 과정을 반복inlier의 수가 지정한 threshold의 값 보다 커지면, 작업 중단 3. 장단점장점구현이 용이하고 일반적이어서 다양한 문제에 적용이 가능하고, 실제로 잘 작동..

1. 개념과거의 모든 기간을 계산대상으로 하며, 최근의 데이터에 더 높은 가중치를 두는 일종의 가중이동평균법  2. 계산 방법\( x_{k}=\alpha p_{k}+(1-\alpha)x_{k-1} \text{ where } \alpha=\frac{2}{N+1} \)\( \alpha \)는 가중치, \( p_{k} \)는 \( k \)시점의 데이터 값, \( x_{k} \)는 지수이동평균값 참고 링크https://blog.naver.com/geojerich/222160083790https://blog.naver.com/gracekang7/221232491635

1. 개념 확률 분포 속의 거리 아래 그림에서 점 A가 평균과 표준편차로 표현될 때, 표준편차의 크기를 이용해 거리 산정 즉, 평균과의 거리가 표준편차의 몇 배인지 나타냄 2. 계산 방법 \( D^{2}=(x-m)^{T}C^{-1}(x-m) \) \( D \) is distance, \( m \) is mean, \( C \) is covariance matrix 참고 링크 https://blog.naver.com/tlaja/220722933381

1. Interpolation ; 보간법, 내삽법 두 지점 사이의 값을 예측하는 것 2. Extrapolation ; 보외법, 외삽법 두 지점 밖의 값을 예측하는 것 3. 비교 그림 참고 링크 https://x-engineer.org/linear-interpolation-extrapolation-calculator https://en.wikipedia.org/wiki/Interpolation https://en.wikipedia.org/wiki/Extrapolation

1. 등장 배경MOTA와 IDF1의 아래와 같은 문제점을 보완하기 위함detection과 association을 지나치게 강조predicted box와 GT box 사이의 detection similarity threshold를 0.5로 고정시켜서 값을 측정 2. 개념detection score와 association score의 조합으로, accurate detection과 association의 균형을 맞춘 것detection similarity threshold를 0.05 부터 0.95까지 0.05 intervals로 값을 바꿔가면서 측정localization accuracy를 더 잘 고려 3. 계산 방법\( \text {HOTA}_{\alpha } = \sqrt{\frac{\sum _{c \in ..

1. 목적제안한 요소가 모델에 주는 영향을 확인하고 싶을 때 이용 2. 의의요소와 모델의 인과관계를 알아볼 수 있음 3. 수행 방법각 요소를 포함한 모델과 포함하지 않은 모델의 결과물을 비교

1. 에러 화면UserWarning: __floordiv__ is deprecated, and its behavior will change in a future version of pytorch. It currently rounds toward 0 (like the 'trunc' function NOT 'floor'). This results in incorrect rounding for negative values. To keep the current behavior, use torch.div(a, b, rounding_mode='trunc'), or for actual floor division, use torch.div(a, b, rounding_mode='floor').2. 발생 원인tensor의..

유사한 object에 대한 구별은 어떻게 해야 잘 할 수 있는가?

1. 에러 화면subprocess.check_output(["git", "describe"])))subprocess.CalledProcessError: Command '['git', 'describe']' returned non-zero exit status 128. 2. 발생 원인무언가 subprocess를 check 하는 알고리즘과, 설치된 라이브러리의 버전 차이에 따른 오류로 파악 3. 발생 위치본인의 파이썬(아나콘다) 설치경로(.../pythonX.X) 폴더의 subprocess.py 파일 4. 해결 방법파일의 내용 중, ~, check=True, ~ 부분을 ~, check=False, ~로 수정

1. 에러 화면ERROR:torch.distributed.elastic.multiprocessing.api:failed (exitcode: 1) local_rank: 1 (pid: 2762685) 2. 발생 원인컴퓨터의 자원(cpu, ram, gpu 등) 한계보다 더 큰 모델의 크기나, 데이터가 한 번에 들어온 경우 3. 발생 위치본인의 파이썬 실행 파일 중, 모델을 구성하는 부분 혹은 데이터를 로드하는 부분 4. 해결 방법모델의 크기 축소, 배치 크기 축소 등

1. 에러 화면return _lsap_module.calculate_assignment(cost_matrix)ValueError: matrix contains invalid numeric entries 2. 발생 원인matrix에 숫자가 아닌 elements가 존재해서 발생, 주로 어떤 수를 0으로 나눠서 발생(NaN 값 생성)하는 에러로 보여짐GitHub의 issue에 올라온 버그 논의 3. 발생 위치본인의 파이썬(아나콘다) 라이브러리 중, scipy의 설치경로(.../pythonX.X/site-packages/scipy/optimize) 폴더의 _lsap.py 파일 혹은 linear assignment.py 파일 4. 해결 방법파일에 NaN 값을 피하기 위해, 임의의 아주 큰 값으로 대체하는 아래 코..