1. 데이터 셋 구축 시 유의해야할 점에 대해서 서술하겠다.Over-fitting이 발생할 가능이 높다.만약에 Class가 여러 개라 한다면 Object Detection을 위한 데이터 셋 구축시 고려할 점같은 장면, 비슷한 환경이 여러 장이 있지는 않은지?

task를 tiny한 걸 잡자로 생각해서 발생한 문제아닌가? SAM은 안그러잖음.

Slicing Aided Hyper Inference이미지를 관리 가능한 슬라이스로 분할하고 각 슬라이스에서 객체 감지를 실행한 결과를 연결해보자.근데 만약 임베디드 환경에서 SAHI를 적용했다면 Inf 속도 느려지는거 아닌가? 확실히 tiny한 Object를 잘 잡긴 한다.

불완전한 데이터 또는 숨겨진 변수가 있는 복잡한 확률 모델을 다룰 때 유용하다. 크게 두 단계로 이루어지는데 1. Expextation (E) 단계 2. Maximization (M)

Trash같은 depth estimation.

강화학습이 보상을 극대화하여 원하는 행동을 하게한다는 점은 많이 들어봤고 잘 아는 사실이다. 이에 대해 좀 더 공부해보겠다.

히스토그램 간의 비교를 할 때는 KL Divergence 또는 PDF map을 사용해서 비교해야한다. Chamfer distance는 보통 위상의 크기나 mesh의 형태가 유사한가 비교하기 위해서 사용한다. General한 case로 접근할 것..아이디어를 낼 때는 얼마나 많은 case를 cover할 수 있는가? Corner case를 타겟팅해서는 안된다.

iDisc논문에서 zero-shot testing을 통해 강건함을 확인했다는데 궁금하여 찾아봄. NLP에서 Task 중 하나로 zero-shot classification이 있다고는 하는데 - 간단하게 말하자면 train했을 때 보지 못했던 데이터에 대해서 어떻게 작동하는지를 평가하는 과정임 - 여기서 "zero-shot"은 학습 단계에서 특정 작업이나 데이터에 대한 예제를 전혀 보지 않았음을 나타낸다.

128만 훈련, 5만 검증, 10만 테스트 데이터로 1000종으로 사진을 분류하는 문제이다. 2012년 AlexNet부터 CNN활용을하였음

이미 사용하고 있거나 개발한 알고리즘의 간단한 확장이다. 지도 학습에서 성능을 올릴 수 있는 방법이다. lower variance의 안정적인 성능을 제공하는데 유용한 방법임 " Ensemble: (프) 함께, 동시에, 협력하여 라는 뜻임, (영) 소규모 협주곡 " 머신러닝에서 알고리즘의 종류에 상관없이 서로 다르거나, 같음 매커니즘으로 동작하는 다양한 머신러닝 모델을 묶어 함께 사용하는 방식임 - 여러 다른 모델을 함께 모아서 예측 model의 집합으로 사용하는 것이다. 하나의 학습 모델: expert이라고 함 NN은 비선형적인 문제에 더 나은 성능을 제공할 수 있다. 다양한 모델의 장점을 살려서 예측 모델 향상 가능하다. 앙상블의 장점: 1. 예측 성능을 안정적으로 향상 가능 2. 쉽게 구현이 가능하다..