Variational Auto-Encoder(VAE)에 대한 논문. 0. Auto-Encoder란? 오토앤코더는 입력 데이터를 압축(Encoding)하고, 압축된 표현에서 원본 입력을 재구성(Decoding)하는 신경망 구조.입력 데이터를 압축하고 복원하는 과정에서 입력의 특징을 학습하게 된다.데이터 압축, 차원 감소, 이상 감지, 노이즈 제거 등에 활용. 1. 생성형 모델 관점에서 Auto-Encoder Auto-Encoder는 Encoder가 단순히 입력 데이터를 어떤 벡터(z)로 압축해서 표현.이렇게 압축된 latent vector는 분포에 대한 제약이 없음. (z가 어떠한 분포를 따르지 않음)latent space에서 임의의 z를 샘플링해서 생성(Decoding)할 경우 원하는 데이터가 생성될지 ..

Abstract본 논문은 Online 및 실시간 애플리케이션을 위한 Multiple Object Tracking(MOT)에 대한 실용적인 접근 방식을 제안Tracking 구성 요소에 칼만 필터 및 헝가리안 알고리즘과 같은 기술의 기초적인 조합을 사용당시의 최첨단 Online 추적에 최첨단 성능을 달성 Introduction본 논문은 MOT 문제에 대한 Tracking-by-Detection 프레임워크의 간소한 구현을 제시SORT는 이전 프레임과 현재 프레임의 탐지만 사용하여 Online Tracking을 목표로 한다또한 고전적이지만 효율적인 칼만 필터와 헝가리안 알고리즘을 Tracking의 motion prediction 및 data association을 처리하는 데 사용이러한 최소한의 Tracking..

plt의 기본적인 그래프 그리기 정리기본 그래프 그리기import numpy as npimport matplotlib.pyplot as pltdata = np.random.randn(100)plt.plot(data)plt.show()   plot() 함수는 리스트의 값들이 y값이라 가정하고 x값은 리스트의 길이로 자동으로 만들어짐show() 함수는 그래프를 화면에 나타나게 함 import numpy as npimport matplotlib.pyplot as pltdata_x = np.arange(-50, 50)data_y = np.random.randn(100).cumsum()plt.plot(data_x, data_y)plt.show() plot() 함수에 위와 같이 x값을 설정할 수도 있다 스타일 지정..

C++ 환경에서 TensorRT network 불러오는 과정에서 다음과 같은 에러가 발생. 1: [stdArchiveReader.cpp::nvinfer1::rt::StdArchiveReader::StdArchiveReader::32] Error Code 1: Serialization (Serialization assertion magicTagRead == kMAGIC_TAG failed.Magic tag does not match) 4: [runtime.cpp::nvinfer1::Runtime::deserializeCudaEngine::66] Error Code 4: Internal Error (Engine deserialization failed.) CUDA, Onnx Model, TensorRT 버전..

1. Install1.1 Conda env createconda create -n yolov11 python=3.8 -yconda 환경을 생성해 준다python version은 개인의 CUDA version을 참고하여 맞춰주면 된다 1.2 Pytorch installhttps://pytorch.org/get-started/previous-versions/ Previous PyTorch VersionsInstalling previous versions of PyTorchpytorch.org위 Pytorch 페이지에서 자신의 CUDA version에 맞는 pip install을 설치(기타 opencv-python, numpy 등 필요 패키지 설치)  2. 필요 패키지 importimport torchimpo..

Abstract본 논문은 이미지별 곡선 추정 작업으로 light enhancement를 공식화하는 Zero-Reference Deep Curve Estimation(Zero-DCE)를 제안DCE-Net을 학습시켜 주어진 이미지의 픽셀 단위, 고차 곡선을 추정Zero-DCE는 학습 중에 쌍을 이루는 Reference 이미지가 필요하지 않다신중하게 공식화된 비참조 손실함수(non-reference loss functions)를 통해 네트워크를 학습 Introduction본 연구에서는 저조도 이미지 향상을 위한 새로운 딥러닝 기반 방법인 Zero-Reference Deep Curve Estimation(Zero-DCE)를 제안image-to-image 매핑을 수행하는 대신, 이미지별 곡선 추정 문제로 재구성저..