Geometric transformation(기하학적 변환)은 Coordinate transformation(좌표 변환)과 Intensity interpolation(강도 보간)으로 구성된다. 좌표 변환(Coordinate transformation)은 입력 이미지의 픽셀이 출력 이미지에서 어디에 위치할지를 결정하는 과정이다. 이는 이미지의 회전, 이동, 크기 조절, 기울임 등과 같은 공간적 변형을 포함한다. 강도 보간(Intensity interpolation)은 변환된 좌표에서 픽셀의 실제 값을 결정하는 과정이다. 변환된 좌표가 정수가 아닌 실수 값을 가질 수 있으므로, 주변 픽셀들의 값을 이용하여 새로운 픽셀 값을 계산해야 한다. 이때 nearest neighbor, bilinear, bicubic..
Bilinear Interpolation (이중 선형 보간법)주변 4개의 픽셀값을 이용하여 새로운 픽셀값을 계산한다.과정:x축 방향으로 1차 함수 연산 2번 수행y축 방향으로 1차 함수 연산 1번 수행총 3번의 선형 연산으로 새로운 픽셀값 도출장점: 계산이 비교적 단순하고 빠름단점: 이미지가 다소 부드럽게(blurry) 표현될 수 있음 Bicubic Interpolation (이중 3차 보간법)주변 16개의 픽셀값을 이용하여 새로운 픽셀값을 계산과정:x축 방향으로 3차 함수 연산 4번 수행y축 방향으로 3차 함수 연산 1번 수행총 5번의 3차 함수 연산으로 새로운 픽셀값 도출장점: Bilinear보다 더 선명한 이미지 품질단점: 계산량이 더 많아 처리 시간이 더 걸림 샘플링과 Aliasing나..
Introduction우선 3D 스캐너로 얻은 포인트 클라우드와 같은 기하학적 포인트 집합을 분석하는 것이 목표입니다. 이러한 데이터는 두 가지 중요한 특성을 가지고 있습니다. 첫째로 포인트들의 순서에 불변해야 하고, 둘째로 거리에 따른 지역적 특성이 다양하게 나타날 수 있습니다. 예를 들어 3D 스캔에서는 시점 효과나 움직임 등으로 인해 포인트의 밀도가 균일하지 않을 수 있습니다. 기존의 PointNet은 각 포인트의 공간적 인코딩을 학습하고 이를 전체적으로 통합하는 방식을 사용했지만, 거리에 기반한 지역적 구조를 포착하지는 못했습니다. CNN의 성공에서 볼 수 있듯이, 지역적 구조를 활용하는 것은 매우 중요합니다. 이러한 배경에서 PointNet++는 계층적 방식으로 포인트 집합을 처리합니다. 기본 ..
VLIWvery long instruction word architecture으로 컴파일러가 독립적인 명령어들을 찾아 하나의 VLIW 명령어로 묶는다. 장점:하드웨어 구조가 단순화된다.단점:컴파일러가 매 사이클마다 N개의 독립적인 명령어를 찾아야 한다.독립적인 명령어가 부족할 경우 nop으로 채운다.실행 명령어 개수 변경 시 재컴파일이 필요하다.stall 발생 시 여러 명령어를 동시에 stall 한다.이 아키텍처는 컴파일러 역할이 중요하며, 하드웨어 복잡성을 줄이고 소프트웨어 최적화에 의존한다. . SuperscalarVLIW가 어떤 instruction을 동시에 처리할지 컴파일러가 정적으로 결정한다면 superscalar는 어떤 instruction을 동시에 처리할지 하드웨어에서 동적으로 결정한다. ..
Single cycle implementation:한 사이클에 한 명령어를 완전히 실행한다.모든 명령어가 동일한 시간을 소요한다.구현이 간단하지만 성능이 제한적이다.각 하드웨어 단계를 한 명령어에만 사용한다.Pipeline implementation:명령어 실행을 여러 단계로 나누어 처리한다.여러 명령어를 동시에 다른 단계에서 처리한다.전체적인 처리량이 증가한다.하드웨어를 더 효율적으로 사용한다.구현이 복잡하며 파이프라인 해저드 관리가 필요하다. Instruction fetchInstruction fetch 단계는 다음과 같이 작동한다:Instruction memory에 32비트 명령어가 주소에 맞게 저장되어 있다.PC(Program Counter)가 instruction memory에 명령어 주소를 ..
Branch Prediction은 Fetch 단계에서 세 가지를 예측하는 기술이다. 이는 명령어의 branch 여부, branch의 taken/not taken 여부, 그리고 branch의 target address이다.Branch Target Buffer(BTB)는 이전에 taken된 branch의 target address를 저장하는 저장소다. BTB는 현재 명령어가 branch인지 판단하는 데도 사용된다. Branch Prediction은 정적 예측과 동적 예측으로 나뉜다. 정적 예측에는 always not taken, always taken, BTFN, profile based, program analysis based 방식이 있다. 동적 예측에는 Last time prediction, Two-b..
Maintain variance diffusion 모델은 분산을 1로 일정하게 유지Var(xₜ) = Var(√(1-βₜ)xₜ₋₁) + βₜ Var(xₜ) = (1-βₜ)Var(xₜ₋₁) + βₜVar(xₜ₋₁)는 1일 것으로 예상할 수 있으므로 Var(xₜ)도 1즉, 디퓨전 과정 전반에 걸쳐 이미지의 '에너지'를 일정하게 유지하면서 점진적으로 원본 정보를 노이즈로 대체한다고 볼 수 있음 Loss Term L_T는 최종 노이즈 분포를 표준 정규 분포와 유사하게 만드는 항L_t-1은 시간 스텝에서의 KL 발산의 합으로, 실제 역과정 분포와 모델이 학습하는 역과정 분포를 유사하게 만드는 항L0는 모델의 예측이 실제 데이터와 얼마나 일치하는지를 측정하여 최종 결과의 품질을 향상시키는 항 Condit..
3D 데이터 획득 기술이 더 접근하기 쉬워졌으며, 다양한 응용 분야에 풍부한 기하학적 정보를 제공한다.포인트 클라우드는 많은 장면 이해 작업에 선호되는 3D 데이터 표현 방식이다.3D 포인트 클라우드에 대한 딥러닝은 작은 데이터셋, 높은 차원성, 비구조화된 데이터 특성 등의 과제에 직면해 있다. 다양한 센서를 이용해 포인트 클라우드 데이터셋 수집전체 정확도(OA), 평균 IoU(mIoU), 평균 클래스 정확도(mAcc)가 주로 사용됨인스턴스 분할에는 평균 평균 정밀도(mAP)도 사용됨 OA(Overall Accuracy) = 올바르게 분류된 점들의 총 수 / 전체 점의 수 IoU(Intersection over Union) = (예측과 실제가 겹치는 영역) / (예측과 실제의 합집합 영역)mAcc(me..
데이터 베이스 설계요구사항 분석 -> 개념적 설계(ER 모델링) -> 논리적 설계(스키마로 사상) -> 스키마 정제(정규화) -> 물리적 설계(데이터베이스 성능 향상) ER 다이어그램에서의 강한 관계와 약한 관계ER 다이어그램(개체-관계 다이어그램)은 데이터베이스 설계에서 중요한 역할을 하며, 개체(엔티티)와 관계(리레이션십)를 시각적으로 표현한다. 이 다이어그램에서 강한 관계와 약한 관계는 데이터 모델링의 핵심 요소로 간주된다. 강한 관계 (Strong Relationship)강한 관계는 두 개체 타입(엔티티 타입) 간의 직접적인 관계를 나타내며, 두 개체가 독립적으로 고유하게 식별될 수 있는 경우에 성립한다. 약한 관계 (Weak Relationship)약한 관계는 강한 엔티티 타입과 약한 엔..
1. 다윈이 중요한가? 세포 하나가 인간이 만든 기계보다 복잡하다 윌리엄 페일리의 시계 비유시계는 너무나 복잡해서 그냥 우연히 만들어졌다고 생각할 수 없다. 하향식 창조 이론다윈 이전의 세계관으로 복잡한 것은 반드시 더 복잡하고 똑똑한 것으로부터 나온다생명의 복잡한 적응적 '설계'는 모두 피라미드 꼭대기의 신으로부터 유래했다만물은 창조주가 그렇게 만든 목적과 이유가 있음 물리 세계와 달리 의미와 목적의 세계는 자연과학만으로 설명할 수 없고, 종교나 인문학으로 설명된다. 상향식 창조 이론다윈의 세계관으로, 복잡한 것은 덜 복잡한 것으로부터 생길 수 있다는 이론자연 선택에 의한 진화 복제 가능한 최초의 생명 -> 생명의 복잡한 적응이 만들어짐 설계자가 없어도 설계가 가능하다다윈은 생명의 설계도 자연..
