본문 바로가기

전체 글

 (182)
[CPP 환경설정] 소켓통신 클라이언트 부분 환경설정 #define _WINSOCK_DEPRECATED_NO_WARNINGS 넣어준다. 그리고 #include 부분은 opencv 헤더파일을 include하는 라인보다 위에있어야 에러가 생기지 않는다. 링커 -> 입력 -> 추가 종속성 : ws2_32.lib; 추가하는데 이 때 구성을 '모든구성'으로 하면 안된다. 이 프로젝트에서는 opencv라이브러리도 같이 추가되어있는데 모든구성으로해서 바꿔버리면 opencv관련 라이브러리가 추가항목에서 사라지게 된다. 따라서 직접 Release, Debug로 구성을 맞춰놓고 각각에 ws2_32.lib; 를 추가하면서 opencv_world349(opencv버전은 이 글을 보고 있는 본인의 버전에 맞추면 된다.)가 살아있는지 확인하면서 같이 넣도록 하자. 그리고 #prag..
[딥러닝 강의정리] logistic regression 보호되어 있는 글입니다.
[딥러닝 강의 정리] linear classification 보호되어 있는 글입니다.
[시스템 프로그래밍 강의정리] files and directories -3 보호되어 있는 글입니다.
[로봇내비게이션 강의정리] Voronoi Voronoi 개념 맵에 점이 여러개 찍혀있을 때, 그 점에 가장 가까운 영역들은 그 점의 영역이라고 보는 방법이다. 이 때, General Voronoi Diagram은 다음을 말한다. F13은 장애물 1과3 사이의 보로노이 경계선을 의미하고 S13은 그 경계선을 직선으로 무한히 이은 선을 말한다. 이 때, F들의 모든 집합을 GVD라고 한다. Voronoi를 어떻게 path planning에 활용할 것인가 장애물을 한 점으로 근사했을 때, 위 그림에서 점을 장애물이라고 보자. 이 때, 점 주변의 영역은 장애물 주변의 영역이 되는것이고, 다시말해 영역과 영역사이 경계선은 장애물들로 부터 가장 먼 경로가 된다. 따라서 이 경계선을 따라서 로봇을 움직이면 로봇은 가장 안전한 path planning을 할 ..
[논문 정리] Pose Machines: Articulated Pose Estimation via Inference Machines 이전까지는 graphical models에 근간하여 사람의 pose estimator를 만들었으나 카네기멜론에서 제안하는 새로운 방식은 이전의 방식에서 벗어나 새로운 method를 제안한다. Introduction 사람 관절 추정의 어려움, 기존 모델 설명, 이 논문에서 사용하는 모델의 특징 간단 소개 사람의 관절 추정이 어려운 가장 큰 두가지 이유는 다음과 같다. 사람 관절의 자유도가 높다. 거의 20자유도 가까이 된다. 이미지에 찍힌 사람에 대한 변수가 많다.(사람의 자세, 이미지의 상태 등) 기존의 graphical model의 단점은 간단히 말하자면 데이터의 complexity와 tractability of inference의 관계가 trade off 관계라는 것이다. 사람이 다양한 자세를 취하더..
[CPM 논문 정리] Convolutional Pose Machines abstract 요약 belief map, 즉 confidence map에 동작시키는 convolutional networks를 기존의 구조(pose machine)에서 추가하였고, 이로 인해 각 part 좌표를 탐지하는 성능이 좋아졌다고 한다. 또한 기울기 소멸 문제에 대해 설명하는데 중간 지도자의 역할을 하는 natural learning objective function을 제공함으로 써 기울기 소멸문제를 해결했는데 이에 대한 설명이 주를 이룰 것으로 보인다. 정리하기 전에 일단 이해한 내용들 적어놓기 1. 찾기 쉬운 영역을 찾고 그 part가 제공하는 spatial context으로 인해서 찾기 어려운 part를 쉽게 찾을 수 있게된다. 예) 목, 어깨, 머리를 찾으면 ==> 오른쪽 팔꿈치를 찾기 ..
[논문 정리] openpose 이해를 위한 개념 간단 정리 openpose의 전체적인 system architecture 전체 시스템 개요를 보도록 하자. 이미지파일을 VGG망의 input으로 넣는다. 여기서는 stage들어가기 전에 F라고 표현된 것이 VGG망의 일부이다. VGG망을 거치면 이미지 파일에서 features가 강조되어 나오는데 이 output을 2개로 분할하여 stage에 있는 각각의 branch에 input으로 넣는다. 여기서 branch1은 confidence map을 예측하는 망을 의미하고 branch2는 affinity field를 예측하는 망을 의미한다. 각각이 의미하는 바는 아래에서 설명하도록 한다. 각각의 branch를 거쳐서 나온 결과물들은 합쳐서 이전에 만든 features와 함께 다음 stage로 분기되어 들어간다. 이 과정을 ..

티스토리툴바