퓨삿 러닝은 제한된 라벨 데이터하에 관찰된 적없는 클래스를 예측하려고 학습을 진행하는 것을 목표로 한다. 이 과정에서 무한히 많은 알고리즘들이 등장하였는데, 저자는 이러한 알고리즘들의 비교를 하여 인사이트를 뽑아냈다. 1) 우선, 깊은 backbone network를

1. introduction 거대 데이터로 학습된 모델은 이전에는 존재하지 않았던 새로운 카테고리를 분류하고자 할 때, 대용량의 데이터로 학습해야 하는 경우가 존재한다. 적은 데이터로는 fine-tuning을 진행시키기 힘들고, 증강 기법은 overfitting의 위

https://www.notion.so/bf34e52a900f4ed79e8ec156389ba3a1?pvs=4

코딩테스트 코딩테스트 관련 알고리즘은 아래와 같다. 주로 이 아래의 알고리즘들 아래에서 문제가 출제된다 생각하고 확실하게 학습하고 지나가야 한다. DFS/BFS 이진 탐색 DP (Dynamic Programming) 최단 경로: 다익스트라/플루이드 워셜 유니온 파인드

[metric learning / self-supervised learning] metric learning task metric learning이란, objects들간의 distance function을 배우는 학습 방법론이다. 이때, distance의 정의는 이미

ViT가 등장한 이후, vision 분야에서의 transformer 연구가 활발히 이루어지고 있다. Data efficiency를 고려한 DeiT도 존재하고, 또 다른 후속 논문으로는 Swin Transformer가 존재한다. Swin transformer는 shift

QVHIGHLIGHTS 논문 Model-structure Code Introduction Video moment localization란, 영상 내에서 highlight 혹은 쿼리와 관련된 짧은 순간을 특정하는 task에 해당된다. 해당 논문은 유사 task인 mo

1. Attention Attention function은 Attention(Q, K, V) = Attention value 이렇게 구성되어져 있다. 이때 attention value는 values들의 weighted average라고 생각을 하면 된다. Step 0

코딩테스트 관련 알고리즘은 아래와 같다. 주로 이 아래의 알고리즘들 아래에서 문제가 출제된다 생각하고 확실하게 학습하고 지나가야 한다.DFS/BFS이진 탐색DP (Dynamic Programming)최단 경로: 다익스트라/플루이드 워셜유니온 파인드/크루스칼/부분합/투