NVIDIA DeepStream SDK?NVIDIA DeepStream은 GPU 가속을 기반으로 한 실시간 비디오 및 다중 센서 분석용 SDK.GStreamer 기반 영상 파이프라인을 제공.NVIDIA TensorRT 및 Triton 기반으로 실시간 고성능 딥러닝 추론을 지원.엣지(NVIDIA Jetson), 클라우드, 쿠버네티스 등 다양한 환경 배포를 지원. DeepStream 주요 특징주요 기능설명GPU 가속GPU를 활용한 영상 처리 및 AI 추론Multi-Stream여러 영상 스트림 동시 처리AI Inference객체 탐지 및 분류GStreamer 기반유연한 파이프라인 구성확장성다양한 영상 소스 및 외부 시스템 연동 NVIDIA DeepStream SDK 구조DeepStream은 GStreamer..
Abstract비전 인식(vision recognition)은 카테고리 수가 증가함에 따라 라벨이 붙은 이미지 학습 데이트를 확보하기 매우 어려움이에 대한 해결 방안으로 본 논문에서는 주석이 없는 텍스트에서 추출된 의미적(semantic) 정보를 함께 활용하여 객체를 인식하도록 학습된 새로운 Deep Visual-Semantic Embedding 모델을 제안1000개 클래스를 구분하는 ImageNet 객체 인식 챌린지에서 당시 SOTA 모델과 동등한 성능을 달성또한 오답을 예측하더라도 좀 더 의미적으로 타당한 오답을 예측 Introdction기존 비전 인식 시스템의 한계기존 비전 인식은 N-Way 이산 분류로 이미지를 정해진 N개의 클래스로만 할당하여 문제를 해결이러한 방식은 N개의 범주를 넘어서 시스템..
Abstract본 논문에서는학습 데이터가 전혀 없는 객체라도 이미지에서 인식할 수 있는 Zero-Shot Learning(ZSL) 모델을 제안학습 데이터가 풍부한 클래스에 대해서는 SOTA 수준의 성능을 달성, 동시에 학습 데이터가 없는 클래스에 대해서도 합리적인 성능을 보임먼저 의미 공간(semantic space)에서의 이상치 탐지를 수행한 뒤, 두 개의 분리된 인식 모델을 사용하는 방식으로 달성또한 수작업으로 정의된 의미적 특징이 전혀 필요로 하지 않는다는 장점 1. Introduction현실 세계에는 라벨이 없는 데이터가 매우 풍부하며, 새로운 제품이나 기술의 등장으로 인해 기존에 학습되지 않은 시각적 범주가 지속적으로 생성된다. 이러한 환경에서 기존의 지도학습 기반 분류기는 학습된 클래스만 예측..
0. AbstractSORT는 단순하면서도 효과적인 MOT 알고리즘.본 논문에서는 SORT의 성능 향상을 위해 시각적 외형(appearance) 정보를 추가.이를 통해 물체가 가려지는(occlusion) 구간이 길어져도 같은 ID를 유지하며 추적할 수 있음. -> ID 스위치 문제 줄어듦. 1. Intoductionobject detection 기술의 발전으로 인해, tracking-by-detection 방식이 MOT의 주요 패러다임으로 자리 잡음.SORT는 칼만 필터링과 헝가리안 알고리즘 기반의 단순한 프레임워크로 높은 프레임 속도에서 우수한 성능을 달성.하지만, SORT는 상대적으로 많은 ID switch 문제를 발생, 특히 가림(occulusion) 상황을 통한 추적에 취약함.본 논문에서는 이러한..
컴파일러는 에러를 잡지 않지만 빌드하면 제목과 같은 에러들이 발생. 파일 인코딩 문제로 UTF-8 형식으로 다시 저장하면 된다고 한다.하지만 UTF-8 형식으로 다시 저장해도 오류가 사라지지 않음. 결국 한글 주석을 모두 영어로 바꿔줌 -> 해결.
서로 다른 이미지를 정렬할 때 사용. Motion ModelTranslation (MOTION_TRANSLATION)- 이미지를 (x, y) 이동(translated)한 변환 모델Euclidean (MOTION_EUCLIDEAN)- 이미지를 (x, y) 이동 및 angle 회전한 변환 모델Affine (MOTION_AFFINE)- Affine 변환은 회전, 평행이동(shift), 배율 및 shear의 조합- 정사각형이 Affine 변환을 거치면 평행선은 평행을 유지하지만 직각으로 만나는 선은 직교를 유지하지 않음Homography (MOTION_HOMOHRAPHY)- 위에서 설명한 모든 변환은 2D 변환이지만, 호모그래피 변환은 일부 3D 효과를 설명할 수 있음(전부x)- 호모그래피를 사용하여 변환된 정..
1. NSIS 설치https://nsis.sourceforge.io/Download Download - NSIS nsis.sourceforge.io 2. HM NIS Edit 설치NIS Script를 작성하기 위한 Editor를 설치해야 한다.https://hmne.sourceforge.net/ HM NIS Edit: A Free NSIS Editor/IDEHM NIS EDIT: A Free NSIS Editor/IDE | | | | | | | HM NIS Edit is the best Editor/IDE for Nullsoft Scriptable Install System (NSIS). Its useful for experts and beginners in the c..
ELBO(Evidence Lower BOund)Variatuinal inference(변분 추론)에서 중심적인 역할을 하는 개념확률 모델에서 잠재 변수(latent variable)이 있을 때, 복잡한 사후 분포를 근사하고자 할 떄 사용VAE 같은 딥러닝 기반의 생성 모델에서 핵심적인 역할을 한다 배경잠재 변수(latent variable) $z$를 포함하는 관측 데이터 $x$에 대한 확률 모델에서 사후 분포 $p(z|x)$를 알고 싶을 때,$$p(z|x)=\frac{p(x, z)}{p(x)}=\frac{p(x, z)}{p(x)}=\frac{p(x|z)p(z)}{\int p(x|z)p(z)dz}$$위 식과 같이 사후 분포의 계산은 매우 어렵다.이를 위해 복잡한 $p(z|x)$를 직접 계산하는 대신, 이를..
어떤 반의 100명의 시험 성적 데이터가 아래와 같다 90점 이상 (A)90점 미만 (-A)합계 (B/-B)공부 함 (B)30명20명50명공부 안 함 (-B)10명40명50명합계40명60명100명 결합 확률(Joint probability)$P(A,B)$ or $P(A\cap B)$두 개 이상의 사건(A, B)이 동시에 일어날 확률공부도 하고, 90점 이상인 학생 = 30/100명 = 0.3 조건부 확률(Conditioanl probability)$P(A|B)$B가 주어졌을 때 A가 일어날 확률공부한 학생 중, 90점 이상인 학생 = 30/50 = 0.6 결합 확률과 조건부 확률 관계$P(A,B)=P(A|B)\cdot P(B)$결합 확률 $P(A, B)$는 다음과 같이 조건부 확률과 주변 확률로 나타낼 ..
베이즈 정리두 확률 변수의 사전 확률과 사후 확률 사이의 관계를 나타내는 정리.더보기사전 확률(Prior probability) : 특정 사상이 일어나기 전의 확률. 관측자가 관측하기 전에 가지고 있는 확률 분포.사후 확률(Posterior probability) : 어떤 사건이나 조건이 관측된 이후에, 어떤 가설이나 사건이 참일 확률. 정의$$Pr(A|B)=\frac{Pr(B|A)Pr(A)}{Pr(B)}$$ 각 항은 다음과 같은 의미를 갖는다.$Pr(A)$ : A의 사전 확률, 아직 사건 B에 관한 어떠한 정보도 알지 못함.$Pr(A|B)$ : B의 값이 주어진 경우에 대한 A의 사후 확률.$Pr(B|A)$ : A가 주어졌을 때 B의 조건부 확률. (likelihood)$Pr(B)$ : B의 사전확률...
AI / Computer Vision
NVIDIA DeepStream SDK?NVIDIA DeepStream은 GPU 가속을 기반으로 한 실시간 비디오 및 다중 센서 분석용 SDK.GStreamer 기반 영상 파이프라인을 제공.NVIDIA TensorRT 및 Triton 기반으로 실시간 고성능 딥러닝 추론을 지원.엣지(NVIDIA Jetson), 클라우드, 쿠버네티스 등 다양한 환경 배포를 지원. DeepStream 주요 특징주요 기능설명GPU 가속GPU를 활용한 영상 처리 및 AI 추론Multi-Stream여러 영상 스트림 동시 처리AI Inference객체 탐지 및 분류GStreamer 기반유연한 파이프라인 구성확장성다양한 영상 소스 및 외부 시스템 연동 NVIDIA DeepStream SDK 구조DeepStream은 GStreamer..
Abstract비전 인식(vision recognition)은 카테고리 수가 증가함에 따라 라벨이 붙은 이미지 학습 데이트를 확보하기 매우 어려움이에 대한 해결 방안으로 본 논문에서는 주석이 없는 텍스트에서 추출된 의미적(semantic) 정보를 함께 활용하여 객체를 인식하도록 학습된 새로운 Deep Visual-Semantic Embedding 모델을 제안1000개 클래스를 구분하는 ImageNet 객체 인식 챌린지에서 당시 SOTA 모델과 동등한 성능을 달성또한 오답을 예측하더라도 좀 더 의미적으로 타당한 오답을 예측 Introdction기존 비전 인식 시스템의 한계기존 비전 인식은 N-Way 이산 분류로 이미지를 정해진 N개의 클래스로만 할당하여 문제를 해결이러한 방식은 N개의 범주를 넘어서 시스템..
Abstract본 논문에서는학습 데이터가 전혀 없는 객체라도 이미지에서 인식할 수 있는 Zero-Shot Learning(ZSL) 모델을 제안학습 데이터가 풍부한 클래스에 대해서는 SOTA 수준의 성능을 달성, 동시에 학습 데이터가 없는 클래스에 대해서도 합리적인 성능을 보임먼저 의미 공간(semantic space)에서의 이상치 탐지를 수행한 뒤, 두 개의 분리된 인식 모델을 사용하는 방식으로 달성또한 수작업으로 정의된 의미적 특징이 전혀 필요로 하지 않는다는 장점 1. Introduction현실 세계에는 라벨이 없는 데이터가 매우 풍부하며, 새로운 제품이나 기술의 등장으로 인해 기존에 학습되지 않은 시각적 범주가 지속적으로 생성된다. 이러한 환경에서 기존의 지도학습 기반 분류기는 학습된 클래스만 예측..
0. AbstractSORT는 단순하면서도 효과적인 MOT 알고리즘.본 논문에서는 SORT의 성능 향상을 위해 시각적 외형(appearance) 정보를 추가.이를 통해 물체가 가려지는(occlusion) 구간이 길어져도 같은 ID를 유지하며 추적할 수 있음. -> ID 스위치 문제 줄어듦. 1. Intoductionobject detection 기술의 발전으로 인해, tracking-by-detection 방식이 MOT의 주요 패러다임으로 자리 잡음.SORT는 칼만 필터링과 헝가리안 알고리즘 기반의 단순한 프레임워크로 높은 프레임 속도에서 우수한 성능을 달성.하지만, SORT는 상대적으로 많은 ID switch 문제를 발생, 특히 가림(occulusion) 상황을 통한 추적에 취약함.본 논문에서는 이러한..
컴파일러는 에러를 잡지 않지만 빌드하면 제목과 같은 에러들이 발생. 파일 인코딩 문제로 UTF-8 형식으로 다시 저장하면 된다고 한다.하지만 UTF-8 형식으로 다시 저장해도 오류가 사라지지 않음. 결국 한글 주석을 모두 영어로 바꿔줌 -> 해결.
서로 다른 이미지를 정렬할 때 사용. Motion ModelTranslation (MOTION_TRANSLATION)- 이미지를 (x, y) 이동(translated)한 변환 모델Euclidean (MOTION_EUCLIDEAN)- 이미지를 (x, y) 이동 및 angle 회전한 변환 모델Affine (MOTION_AFFINE)- Affine 변환은 회전, 평행이동(shift), 배율 및 shear의 조합- 정사각형이 Affine 변환을 거치면 평행선은 평행을 유지하지만 직각으로 만나는 선은 직교를 유지하지 않음Homography (MOTION_HOMOHRAPHY)- 위에서 설명한 모든 변환은 2D 변환이지만, 호모그래피 변환은 일부 3D 효과를 설명할 수 있음(전부x)- 호모그래피를 사용하여 변환된 정..
1. NSIS 설치https://nsis.sourceforge.io/Download Download - NSIS nsis.sourceforge.io 2. HM NIS Edit 설치NIS Script를 작성하기 위한 Editor를 설치해야 한다.https://hmne.sourceforge.net/ HM NIS Edit: A Free NSIS Editor/IDEHM NIS EDIT: A Free NSIS Editor/IDE | | | | | | | HM NIS Edit is the best Editor/IDE for Nullsoft Scriptable Install System (NSIS). Its useful for experts and beginners in the c..
ELBO(Evidence Lower BOund)Variatuinal inference(변분 추론)에서 중심적인 역할을 하는 개념확률 모델에서 잠재 변수(latent variable)이 있을 때, 복잡한 사후 분포를 근사하고자 할 떄 사용VAE 같은 딥러닝 기반의 생성 모델에서 핵심적인 역할을 한다 배경잠재 변수(latent variable) $z$를 포함하는 관측 데이터 $x$에 대한 확률 모델에서 사후 분포 $p(z|x)$를 알고 싶을 때,$$p(z|x)=\frac{p(x, z)}{p(x)}=\frac{p(x, z)}{p(x)}=\frac{p(x|z)p(z)}{\int p(x|z)p(z)dz}$$위 식과 같이 사후 분포의 계산은 매우 어렵다.이를 위해 복잡한 $p(z|x)$를 직접 계산하는 대신, 이를..
어떤 반의 100명의 시험 성적 데이터가 아래와 같다 90점 이상 (A)90점 미만 (-A)합계 (B/-B)공부 함 (B)30명20명50명공부 안 함 (-B)10명40명50명합계40명60명100명 결합 확률(Joint probability)$P(A,B)$ or $P(A\cap B)$두 개 이상의 사건(A, B)이 동시에 일어날 확률공부도 하고, 90점 이상인 학생 = 30/100명 = 0.3 조건부 확률(Conditioanl probability)$P(A|B)$B가 주어졌을 때 A가 일어날 확률공부한 학생 중, 90점 이상인 학생 = 30/50 = 0.6 결합 확률과 조건부 확률 관계$P(A,B)=P(A|B)\cdot P(B)$결합 확률 $P(A, B)$는 다음과 같이 조건부 확률과 주변 확률로 나타낼 ..
베이즈 정리두 확률 변수의 사전 확률과 사후 확률 사이의 관계를 나타내는 정리.더보기사전 확률(Prior probability) : 특정 사상이 일어나기 전의 확률. 관측자가 관측하기 전에 가지고 있는 확률 분포.사후 확률(Posterior probability) : 어떤 사건이나 조건이 관측된 이후에, 어떤 가설이나 사건이 참일 확률. 정의$$Pr(A|B)=\frac{Pr(B|A)Pr(A)}{Pr(B)}$$ 각 항은 다음과 같은 의미를 갖는다.$Pr(A)$ : A의 사전 확률, 아직 사건 B에 관한 어떠한 정보도 알지 못함.$Pr(A|B)$ : B의 값이 주어진 경우에 대한 A의 사후 확률.$Pr(B|A)$ : A가 주어졌을 때 B의 조건부 확률. (likelihood)$Pr(B)$ : B의 사전확률...
