이번에는 VisDrone 2021 ICCV workshop에 발표된 논문인 TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios를 읽고, 리뷰해보고자 합니다. Index 1. Background 1.1. YOLO 1.2. Transformer 1.3. Convolutional Block Attention Model 2. Abstract 3. Introduction 4. Related Work 5. Method 5.1. Overview of YOLOv5 5.2. TPH-YOLOv5 6. Experiment 7. Conclusion 1. Background 1..

1. 발생 원인계산값에 0이 포함되거나 하여 미분이 불가능해지는 곳에서 발생할 가능성이 높음주로 sqrt, exp, norm 등에서 발생 2. 해결 방법매우 작은 값(1e-6 등)을 더해줘서 결과가 0이 안나오도록 해줌으로써 해결

1. LabelImg 설치 방법 GitHub - HumanSignal/labelImg: LabelImg is now part of the Label Studio community. The popular image annotation tool created byLabelImg is now part of the Label Studio community. The popular image annotation tool created by Tzutalin is no longer actively being developed, but you can check out Label Studio, the open source ...github.combrew install qt # Install qt-5.x.x by Home..

1. 에러 화면error: metadata-generation-failed2. 발생 원인python의 pip, setuptools, wheel 의 버전이 낮아 발생3. 해결 방법pip, setuptools, wheel 업데이트pip install --upgrade pippip install --upgrade setuptoolspip install --upgrade wheel

내가 분석한 multi object tracker의 약점들 1. DetA에 비해, AssA가 낮음2. MOT17과 MOT20의 성능 차이가 큼 → 밀도가 낮은 영역에서의 detection이 불안정함3. 한 사람에 크기가 다른 박스 2개 생성 사람이 아닌데 사람으로 판단4. 작은 사람, 너무 큰 사람(화면 밖으로 일부가 나감), 가만히 있는 사람, 사람이 많이 가려지는 경우 detection 놓침 → IDSW 자주 발생5. bounding box가 object를 정확하게 포함하지 않음6. 복잡한 장면의 경우, 처리 속도가 약 30~50% 정도 떨어짐7. 비슷한 appearance를 가진 object들에 대한 IDSW 발생

1. 새로운 loss 함수를 추가하면 다른 hyperparameter들을 어떻게 해야하는가?2. 새로운 loss 함수가 어떤 영향을 미치는지 학습 중에도 파악이 가능한가?

이번에는 ISRPS 2022에 발표된 논문인 A Normalized Gaussian Wasserstein Distance for Tiny Object Detection를 읽고, 이전과 다르게 세세한 리뷰 보다는, 새롭게 제시된 개념 위주로 간략하게 훑어보고자 합니다. Index 1. Background 1.1. Problem about tiny object detection 1.2. 다양한 IoU의 종류 2. Method 2.1. Wasserstein Distance 2.2. Gaussian Wassertein Distance 2.3. Normalized Gaussian Wassertein Distance 3. Experiment 1. Background 1.1. Problem about tiny obj..

이번에는 NeurIPS 2022에 발표된 논문인 Quo Vadis: Is Trajectory Forecasting the Key Towards Long-Term Multi-Object Tracking?를 읽고, 리뷰해보고자 합니다. Index 1. Background 1.1. Homography 1.2. Graph Neural Network 1.3. Bi-Partite Matching 2. Abstract 3. Introduction 4. Related Work 5. Method 5.1. Overview 5.2. Data-driven Homography Estimation 5.3. Forecasting 5.4. Tracking via Forecasting 6. Experiment 7. Conclusion..

1. 개념 무작위 dataset을 뽑은 후, positive pair와 negative pair들과 비교 positive는 가까이, negative는 멀리 배치 2. 계산 방법 \( L(A, P, N)=\max(\Vert f(A)-f(P) \Vert^{2}-\Vert f(A)-f(N) \Vert^{2}+\alpha, 0) \) \( A \)는 anchor input, \( P \)는 positive pair, \( N \)은 negative pair, \( f \)는 embedding, \( \alpha \)는 positive pair와 negative pair 사이의 margin 참고 링크 https://mic97.tistory.com/16 https://soobarkbar.tistory.com/43

0. 들어가기에 앞서 본 게시글은 복잡한 수학 내용 대신, 개념적으로 가볍게 bi-partite matching이 무엇인지 알아보기 위해 작성한 글입니다. 더욱 자세한 내용을 알고싶다면, 아래의 참고 링크 부분의 링크를 참고 바랍니다. 1. 개념 모든 경로의 용량이 1이면서, 양쪽 정점이 서로 다른 그룹에 속하는 그래프를 이분 그래프라 함 이분 그래프에서 A, B그룹이 있을 때, A에서 각 원소가 B에서 서로 다른 각 원소와 연결 되는 것을 이분 매칭이라 함 참고 자료 https://www.crocus.co.kr/499

0. 들어가기에 앞서 본 게시글은 개념적으로 가볍게 GNN이 무엇인지 알아보기 위해 작성한 글입니다. 더욱 자세한 내용을 알고싶다면, 아래의 참고 링크 부분의 링크를 참고 바랍니다. 1. 개념 graph에 직접 적용할 수 있는 neural network 노드가 이웃과의 연결에 의해 정의 각 노드를 잘 표현할 수 있는 임베딩을 추출해서 이용 graph 구조를 활용하여 loss를 최적화 참고 자료 https://medium.com/watcha/gnn-소개-기초부터-논문까지-96567b783479 https://velog.io/@whattsup_kim/Graph-Neural-Networks-기본-쉽게-이해하기

0. 들어가기에 앞서본 게시글은 복잡한 내용을 제외하고, 개념적으로 가볍게 homography matrix가 무엇인지 알아보기 위해 작성한 글입니다.더욱 자세한 내용을 알고싶다면, 아래의 참고 링크 부분의 링크를 참고 바랍니다. 1. 개념projective transformation과 같은 말2D 이미지 변환 관계를 설명할 수 있는 행렬로, 가장 일반적인 모델homogeneous 좌표계에서 정의 2. 구하는 방법일반식은 아래와 같음\( \begin{bmatrix}x\prime \\y\prime \\1\end{bmatrix}=\begin{bmatrix}h_{11} & h_{12} & h_{13} \\h_{21} & h_{22} & h_{23} \\h_{31} & h_{32} & h_{33}\end{bmat..

보호되어 있는 글입니다.

0. 들어가기에 앞서 본 게시글은 다양한 GRU에 대해 쉽게 이해할 수 있도록 최대한 간략하게 작성한 글입니다. 더욱 자세한 내용을 알고싶다면, 아래의 참고 링크 부분의 링크를 참고 바랍니다. 1. 배경 지식 LSTM Long Short-Term Memory 0. 배경 지식 RNN Recurrent Neural Network 1. 개념 순차 데이터를 처리하는데 적합한 신경망 machine translation, DNA analysis, voice recognition, motion recognition, sentiment analysis 등에 이용 hidden layer의 neuron에서 출력 alstn59v.tistory.com 2. 개념 LSTM을 개선한 모델 forget gate와 input gat..

0. 배경 지식RNN Recurrent Neural Network1. 개념 순차 데이터를 처리하는데 적합한 신경망 machine translation, DNA analysis, voice recognition, motion recognition, sentiment analysis 등에 이용 hidden layer의 neuron에서 출력된 값이 다시 그 neuron의 입력으로 사alstn59v.tistory.com 1. 개념기본적인 RNN의 단점을 보완gradient vanishing의 위험 때문에 멀리 떨어져 있는 정보 전달이 힘듬긴 길이의 시계열 데이터를 처리하는데 우수한 성능 2. 구조forget gate - 맥락을 고려하여 과거 정보의 필요성을 sigmoid를 이용해 결정input gate - 현재..