본문 바로가기

🚗 Major Study (Bachelor)168

계산사진학 정리 Multiresolution Processing 이미지에서 특정 Object를 찾는데 사용되는 기술이다. Direct search는 sliding window 기법으로 움직여 픽셀별 비교를 통해 물체를 찾는 과정이다. 이 경우 연산량이 매우 많다. Multi-scale Search 방법은 찾고자 하는 Object의 Template 사이즈를 줄여서 찾는 과정으로 빠르지만 정확도가 낮아진다. 해당 방법은 낮은 해상도의 이미지에서 객체를 복구하고 높은 해상도의 이미지에서 자세한 부분을 복구하는 방식의 연구가 제시된 적 있다. 여기서 Image Pyramid 개념이 등장한다. 하나 이상의 해상도에서 이미지의 구조를 파악하는 방법으로 다양한 주파수 대역의 Component로 분해하는 방식이다. 다양한 Scale의.. 2025. 4. 9.

Image Blending About Blending Method.... (with GPT) 📐 Gaussian Pyramid – Approximation PyramidGaussian 피라미드는 이미지의 점진적인 저해상도 표현을 제공해. 각 단계는 이미지의 저주파(blurred) 버전을 제공하는데, 이는 다음과 같은 상황에 유용해:✅ 사용되는 경우:멀티스케일 분석 (Multi-scale analysis)객체나 패턴을 다양한 해상도에서 감지해야 할 때 (예: 객체 인식, 얼굴 검출 등).이미지 압축저해상도 이미지를 우선 전송하고, 필요에 따라 고해상도 이미지로 보간하여 점진적으로 복원 가능.이미지 피라미드 매칭 (Image matching across scales)두 이미지의 크기가 달라도 feature matching 이 가.. 2025. 3. 25.

Intensity Transformation, Morphology Image processing Output intensity는 f (Input Image) 값에 의해 결정되고, 각각의 Pixel은 위의 간단한 수식에 의하여 Transformation 이 진행된다. 수식에 있듯, r 값은 Input Image의 Pixel value에 해당. point processing 이라 불리기도 한다. 그냥 간단 예시 Human Perception 능력이 Darker tone에서 더 섬세하기 때문에 예를 들어 Pixel 값 1의 차이는 더 어두운 (낮은 값) 영역에서 차이를 더욱 크게 식별하는 낮은 JND 값을 가지므로 Gamma Correction을 통해 어두운 영역으로 변경하는 것이 인간의 인지 측면에서 더욱 효율적일 수 있다. 좁은 영역으로 표현되는 픽셀 값들이 더 넓은 영역의 Intensity.. 2025. 3. 11.

Convolution, Laplacian of Gaussian Filter Supplementary delta function 으로 불리는 [0 0 0; 0 1 0 ; 0 0 0] 행렬은 원본 이미지 그대로를 출력하게 한다. 노란색 점선으로 이어진 영역을 통해 High Frequency Component가 추출되는 특성이 존재한다. High-frequency는 물체의 edge 특성을 지니므로 물체의 Edge가 Amplifying 되는 특성이 존재한다. I(in) 은 Input Image에 해당하며 F는 High-pass filter이다. High-pass filter는 low Frequency를 모두 제거하고 High Frequency 만을 남기는 역할을 한다. Band-pass filter는 low와 high 중간에 있는 특정 영역의 주파수 대역을 추출할 수 있다는 특성.. 2025. 2. 25.

Logistic Regression z라는 값이 Weight와 Input의 내적한 Linear Regression이고 이 값이 Sigmoid 함수의 Input 값으로 들어간다. 사실 P라는 확률과 P가 아닌 1-P의 확률의 비율로 표현될 수 있는 것을 Log를 취한 후 P에 대해서 표현을 하면 Sigmoid 함수가 나오게 된다. 즉 확률 값을 0부터 1 사이의 값으로 표현을 하고 Binary Decision을 하기 위함이다. Logistic Regression이라는 것은 그럼 어떻게 데이터를 회기하는 방법일까? Linear Regression이란 데이터의 분포를 가장 잘 표현하는 선하나를 긋는 과정이라고 보면 된다. 그럼 Logistic의 뜻은 여기서 더 나아가 Class를 분류하기 위한 확률 모델을 만들고자 하는 것이다. 그래서 F라는 .. 2022. 12. 8.

Classification Binary Class를 구분할 수 있는 함수를 어떻게 찾을 수 있을지 생각해보자. 각 Input Data에 해당하는 Label이 주어진 상태라고 했을 때 앞으로 들어올 Data에 대해서 분류할 수 있는 함수를 찾는 방법에 대한 설명이다. 만일 표에 5개의 데이터가 있다면 이 분포를 Regression할 수 있는 선을 하나 긋고 반대의 Label을 주어 Regression을 하는 선을 하나 긋게 된다. 그렇게 되면 선이 2개가 생기게 되는데 이를 기준으로 Class 2개에 대해 판별하는 함수를 만들 수 있다. 두 번째로 함수를 설정하는 방식으로는 label이 0인 것들을 오히려 -1로 바꾸어 더 확실한 Regression을 만들어주는 방식이다. 이렇게 되는 경우도 Binary Classification의.. 2022. 12. 6.

Linear Discriminant Analysis(LDA) Approach Classification의 경우를 살펴보자. Classifier를 표현하는 흔한 방법은 Discriminatn 함수를 사용하는 것이다. Input Data에 대해 클래스를 가장 잘 설명할 수 있는 함수를 정의하고 최대값을 가지는 Class를 설정하는 방식이라고 이해하면 된다. 그렇다면 Discriminant 함수는 어떤 것인가. Decision Boundary 란 클래스를 구분할 수 있는 선을 하나 긋는 것이라고 생각하면 된다. 클래스 0에 대해서 가지는 확률값이 높은 경우 클래스 0로 판별, 클래스 1에 대해서 가지는 확률값이 높은 경우 클래스 1로 판별하게 된다. Generative classifier 란 데이터를 생성하기 위한 모델이다. 그렇기 때문에 데이터가 생성될 확률인 Joint Probab.. 2022. 12. 5.

Stochastic Gradient Descent, Regularization(L2 Ridge, L1 Lasso) Gradient Descent에는 두 가 방법이 존재한다. Batch와 Online 방식이고 batch는 전체 데이터를 기준으로 Online은 데이터 하나씩을 기준으로 Weight를 최신화하는 방식이라고 할 수 있다. Batch 학습방법은 전체 학습 데이터를 사용하여 Weight를 한 번에 최신화하는 것이라고 할 수 있다. 전체 데이터를 커버할 수 있어야 하므로 큰 메모리가 필요하다. 또한 모든 데이터를 바탕으로 하기 때문에 최적화 Route가 꽤 안정적으로 나온다는 것이 특징이다. 반면 Online Learning은 Training instance를 사용하여 Weight를 최신화하는 방식으로 메모리가 훨씬 적게 필요하다. 하지만 모든 데이터를 바탕으로 최신화가 되는 것이 아니기 때문에 최적화 Route.. 2022. 12. 5.

Linear Regression, Approach in SLE, probabilistic, Gradient Descent Supervised Learning이란 주어진 Dataset에 해당하는 Label 이 존재하는 Regression이라고 한다. Regression은 적절한 선을 찾는 과정이라고 할 수 있다. Regression은 데이터의 분포를 잘 표현할 수 있는 흐름선을 표현하는 것이고 Classification은 데이터를 잘 나눌 수 있는 분류선을 찾는 것이라고 할 수 있다. 주어진 Data의 분포를 d라고 표현하면 d는 Input vector로 표현되고 y는 Label에 해당하는 desired output 이라고 할 수 있다. 이때의 주어진 목표는 X에서 Y로 대응하는 함수를 찾는 것이다. 그래서 2개의 대표적인 Supervised Learning을 살펴보면 Regression은 주어진 Input data X가 이.. 2022. 12. 5.

네트워크 | Network layer: Data Plane 라우터의 근본 역할은 입력 링크에서 출력 링크로 데이터그램을 전달하는 것이다. 라우터는 트랜스포트 계층과 애플리케이션 계층을 지원하지 않으므로 프로토콜 스택에서 네트워크 계층의 상위 계층은 존재하지 않는다. 포워딩 패킷이 라우터의 입력 링크에 도달했을 때 라우터는 그 패킷을 적절한 출력 링크로 이동시켜야 한다. 라우터가 입력 링크 인터페이스에서 적당한 출력 링크 인터페이스로 데이터그램을 전송하는 내부적인 동작을 의미 라우팅 송신자가 수신자에게 패킷을 전송할 때 네트워크 계층은 패킷 경로를 결정해야 한다. 이러한 경로를 계산하는 알고리즘을 라우팅 알고리즘이라 한다. 네트워크 전반에 걸쳐 출발지에서 목적지까지 데이터그램의 종단간의 경로를 결정하는 것이다. 2022. 11. 29.

이전 1 2 3 4 ··· 17 다음

티스토리툴바