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..

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..

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..