https://blog.testworks.co.kr/3d-ai-data-point-cloud/ 3D 인공지능 데이터 Point Cloud (1) – Testworks 개요 딥 러닝 기술이 세계적으로 재조명을 받은 이후, 다양한 데이터에 대한 인공지능 연구 및 개발이 활발히 진행되고 있다. 그리고 현재까지 인공지능을 통해 가장 눈부신 성장을 이룬 분야 blog.testworks.co.kr 위 사이트를 참조하면 앞으로의 3D object detection, segmentation을 위한 Point Cloud를 활용하기 위해 그동안의 발전 방식이 잘 나와있다. 요약하자면 불과 몇년전 딥러닝 모델 동향을 살펴보면 Point Cloud 데이터를 활용한 사례를 보기가 힘들었다. 그 이유는 Point Cloud 데이..

이번 포스팅에서는 'Bin Picking System Based on Point Cloud Deep Learning for Industrial Applications' 라는 논문을 리뷰해보고자 한다. 이 논문에서는 심층학습 기반의 빈피킹 방식의 연구방식을 제시한다. 먼저 RGB-D 카메라로 물체들의 Point Cloud Data를 얻어 Point Cloud를 각각의 형상을 군집으로 나누어 분할 한다. 심층 학습(GresNet)으로 각 군집의 파지 가능성을 추정하고, 이를 기반으로 가장 적절한 파지 대상을 선정한다. 이후 파지자세와 이동경로를 설정하여 물체 파지를 하는 알고리즘이다. 즉 Point Cloud processing -> deep lerning processing -> collision avoi..

https://github.com/j96w/DenseFusion GitHub - j96w/DenseFusion: "DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion" code repository"DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion" code repository - GitHub - j96w/DenseFusion: "DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion"...github.com Linemod Dataset 에서 Metric Value 3위에 랭크되어있는 2019년 CVPR에 실린 논문이..

1. YOLOR이란? YOLOv3 ->> YOLOv4 -> Scaled TOLOV4 -> YOLOR 같은 저자가 연구 한 모델임 Multi-task 수행 방법의 새로운 고안을 위한 모델 기존의 Multi-task 같은 경우 a)와 같이 하나의 인풋에 대해서 여러개의 모델을 만들어 여러개의 아웃풋으로 수행하거나 b)와 같이 하나의 backbone을 공유하고 서로다른 헤드를 붙여 수행하는 식이였다. YOLOR의 핵심은 여러개의 신경망을 쓰는게 아닌 하나의 통합된 신경망을 사용함으로써 Muti-tak가 가능하도록 하는것이다. 이를 위해 implicit Knowledge(암시적 지식) 을 사용하는것을 얘기 한다. 여기서 Explicit Knowledge란 우리가 일반적으로 아는 신경망의 결과 즉 개랑 고양이를 ..

이번 게시물에서는 강화 학습의 개념에 대해 다루어 보려한다. 강화 학습은 실수와 보상을 통해 학습을 하여 목표를 찾아가는 알고리즘이다. 보상이라는 개념을 통해 weight 와 bias를 학습하며 목적은 최적의 행동양식 또는 정책을 학습하는 것이다. 기본적으로 강화학습은 결정을 순차적으로 내려야 하는 문제에 적용을 한다. 이를 위해서 MDP(Markov Decision Process) 라는 개념을 사용한다. 1.순차적 행동 문제를 MDP로 전환 2.가치함수를 벨만 방정식으로 반복적 계산 3.최적 가치함수와 최적 정책을 찾는다 MP(Markov Process, Chain) : MP는 이산 시간이 진행함에 따라 상태가 확률적으로 변화하는 과정을 의미함. 시간 간격이 이산적이고 현재의 상태가 이전 상태에 영향을..

이번 게시물에서는 모델의 아키텍처를 많이 변경하지 않고도 Mixup, Label Smoothing, Knowledge Distillation, Cosine Decay, Zero Gamma, Model Tweaks와 같은 테크닉을 적절히 활용하여 ImageNet 데이터셋에 대하여 성능을 끌어 올릴 수 있는 방법에 대해서 게시하려 한다. Label_smoothing 모델이 Ground Truth(GT)를 정확하게 예측하지 않아도 되게 만들어 주는 것. Label_smoothing 이란 모델이 정확하지 않은 학습 데이터셋에 치중되는 경향을 막아 교정 및 정규화 효과를 가질 수 있는 방법이다. 즉 GT데이터가 잘 정제되어 있지 얺다면 오분류된 데이터가 있을 수 있어 모델이 이를 유하게 학습시키도록 하면 더 효과..