spatiotemporal transformer를 활용한 unified BEV representation을 학습→ 자율 주행 인지의 여러 task 수행 가능 (3D object detction, map segmentation …)predifined grid-shaped

오늘은 sequential data를 처리하는 데 용이한 RNN에 대해 배워보도록 하겠습니다. 특별히 lec 9보다 이번 lec 10의 리뷰를 먼저 진행하게 되었는데, 그 이유는 딥 러닝 프로세스에서 아주 중요한 모델인 Transformer를 이해하기 위해선 RNN 및

본 포스팅에선 Multiview geometry를 이해하기 위한 기본 지식인 camera model에 대해 정리해보고자 합니다.카메라는 computer vision이라는 분야에 있어 필수적인 tool입니다. 세상을 2d image로 기록해주는 역할을 하고 있지요. 그냥

본 시리즈에선 자율주행을 위한 인공지능 및 컴퓨터 비전에 대해 공부한 내용들을 정리하여 올리도록 하겠습니다.재미있고 유익한 내용들로 포스팅하도록 하겠습니다!

오늘은 Neural Network를 학습시키는 방법들에 대해 더 자세히 다뤄보도록 하겠습니다.이번 포스팅에서 다룰 내용은 SGD 이외에 더 Fancier한 최적화 방법들에 대한 소개, Regularization에 대한 자세한 정리, 그리고 Transfer Learnin

이전 강의들에서는 Neural Network의 근간을 이루는 내용들과 CNN에 대해 배워보았습니다. 이번 강의에서는 이 Neural Network를 어떻게 학습시키는지에 대해 다뤄보도록 하겠습니다.Training 과정에 대한 Overview입니다. 이번 강의와 다음 강

이번 강의에서는 Convolution Neural Network에 대해 배워보도록 하겠습니다.딥 러닝은 이전까지 큰 주목을 받지 못했었지만, 2012년 AlexNet의 등장을 기점으로 엄청난 관심을 받게 되었습니다. Imagenet classification chall

이번 시간에는 backpropagation과 Neural Network에 대해서 알아보도록 하겠습니다.지난 시간에 배운 Loss를 구하는 방법을 graph로 도식화 해보았습니다. W,x를 입력으로 가지는 score function의 출력값을 ground truth 값과

지난 시간엔 Image classification과 NN, Linear classifier 등에 대해 배웠습니다. 지난 시간에 미처 정리하지 못한 내용들을 정리하자면, Linear classifier를 정의한 이후에 최적의 W값을 찾기 위해선training data를

Image Classification은 이전 강의에서도 설명했듯이 컴퓨터 비전의 core task 중 하나로, 이미지를 입력으로 받으면 이를 주어진 카테고리 중 하나로 분류하는 작업을 의미합니다.말로만 들으면 음? 그냥 간단한 task네 싶을 수 있지만, 이 작업은 사

본 1강에서는 본격적인 딥러닝과 컴퓨터 비전에 대한 내용들을 다루기보단, 앞으로의 강의의 전체적인 흐름과 방향성, 딥러닝과 컴퓨터 비전에 대한 소개를 다루고 있습니다.현재 인터넷에 존재하는 데이터 중 대부분의 비중을 차지하는 것이 바로 비디오, 이미지 데이터입니다. 이