희주는 개발중

container에서 변경사항들도 반영하여 함께 배포하려면 image를 다시 commit 배포해야 한다.  docker container commit1. docker commit 예) docker commit pointpdf pointpdf_new 2. docker images 확인  docker image push1. docker login 2. export DOCKER_ID_USER=여기서 username이 docker hub의 아이디와 다르면 아래와 같은 에러가 뜨니 동일하게 설정해야 한다.denied: requested access to the resource is denied 3. docker tag $DOCKER_ID_USER/:예) docker tag pointpdf_new $DOCKER..

환경구축하는데 몇일을 헤매다 드디어 해결했다.docker도 처음 써보고 제대로 된 환경구축도 처음 해보다보니 더 오래 헤맸던 것 같다.torch와 관련된 torch_scatter, torch_sparse도 버전이 안 맞으면 torch와 cuda 사이의 버전 충돌이 일어난다는 걸 몰라서 또 하루를 헤맸다. docker 설치할 때gpu를 써야 되기 때문에 nvidia docker를 깔아야 함(docker tool-kit 설치) docker 실행할 때docker container start docker attach 또는docker exec -it /bin/bash docker 초기 설정아래 사이트 참고해서 docker pull https://hub.docker.com/r/nvidia/cuda/tagscon..

Open-set Semantic Segmentation for Point Clouds via Adversarial Prototype Framework https://openaccess.thecvf.com/content/CVPR2023/papers/Li_Open-Set_Semantic_Segmentation_for_Point_Clouds_via_Adversarial_Prototype_Framework_CVPR_2023_paper.pdf 0. Abstract저자들은 Adversarial Prototype Framework(APF)를 제안한다. 이는 open-set 3D semantic segmentation을 다루며, seen class point는 유지하면서 3D unseen class를 구분하는 것을 목..

빈도확률(Frequentist probability)10번 주사위를 던져 1이 나올 확률과 같은 빈도수를 측정하여 계산할 수 있는 확률 베이지안확률(Bayesian probability)빈도수를 파악하기 힘들 때, 특정 명제가 참일 확률사후확률(posterior probability) P(A|B): B(결과)가 발생하였을 때 A(원인)가 발생했을 확률우도확률(Likelihood probability) P(B|A): A(원인)이 발생하였을 때 B(결과)가 발생할 확률사전확률(prior probability) P(A): B(결과)가 나타나기 전에 결정되어 있는 A(원인)의 확률 From GPT사전 확률 P(A)를 바탕으로 새로운 데이터 B가 주어졌을 때 사후 확률 P(A|B)을 계산한다.이 사후 확률 P(A..

Confusion Matrix PositiveNegativePositiveTP(True Positive)FP(False Positive)NegativeFN(False Negative)TN(True Negative) TP(True Positive): 실제 Positive를 Positive로 예측FP(False Positive): 실제 Negative를 Positive로 예측FN(False Negative): 실제 Positive를 Negative로 예측TN(True Negative): 실제 Negative를 Negative로 예측 MatrixPrecision: Positive라고 예측했을 때 실제 Positive 비율 Recall(=Sensitivity=TPR): 실제 Positive 중에 Positive..

Discriminative Learning입력(Data) X가 주어지면 출력(Label) Y가 나타날 확률 p(X|Y)를 직접 반환그림과 같이 Discision Boundary를 잘 학습하는 것이 목표Supervised Learning대표적인 예: Linear Regression, Logistic Regression 등데이터가 충분할 경우 좋은 성능을 보이지만 데이터를 구분하는 것이 목표이므로 데이터의 본질을 파악하기 힘들다. Generative Learning데이터 X">X가 생성되면서 pp(Y)">(Y), pp(X">(X|Y)">Y)으로 학습하고, Bayesian을 사용해 pp(X">(Y|XY)">)값을 간접적으로 도출그림과 같이 Joint Probability Distribution (p(X, Y)..

📌 Norm벡터의 크기를 측정하는 방법두 벡터 사이의 거리를 측정하는 방법 📌 L1 NormNorm 식에서 p가 1인 Norm으로 벡터의 요소에 대한 절댓값의 합Manhattan(맨허튼) norm이라고도 한다.L2보다 outlier(이상치)에 robust(덜 민감)하다. 📌 L2 NormNorm 식에서 p가 2인 Norm으로 피타고라스 정리를 활용했다.Euclidean(유클리드) norm이라고도 한다.제곱의 형태이기 때문에 outlier(이상치)에 예민하나 더욱 일반화된 모델을 생성한다. 📌 L1 Norm, L2 Norm 비교L1은 초록색 외의 선들로 여러가지 path를 가지지만L2는 초록색 선으로 unique shortest path를 가진다.  Loss도 Norm과 유사하게 계산된다.📌 L1..

📌 Open Set학습 데이터에 없는 클래스를 'unknown'으로 처리하는 것이 목표학습한 클래스 외의 입력에 대해서는 reject하거나 학습된 데이터가 아니다 라고 판단하는 것이 특징  📌 Open Vocabulary학습 데이터에 없는 단어 혹은 개념을 처리할 수 있도록 설계하는 것이 목표(낯선 단어를 보고 유추해서 사용하는 사람)Zero-shot learning, 이미지 캡셔닝을 예시로 들 수 있다.예를 들어 '고양이'와 '개'를 학습한 모델이 '여우'와 같은 새로운 개념도 유사성을 통해 처리할 수 있다.  📌 Open World학습 데이터에 없는 클래스가 존재할 가능성을 염두에 두고 이를 처리하거나 적응할 수 있는 환경(낯선 단어를 듣고 일단 기록해두는 사람)데이터셋에 없는 새로운 클래스의 ..

PDF: A Probability-Driven Framework for Open World 3D Point Cloud Semantic Segmentation https://arxiv.org/pdf/2404.00979 0. Abstract존재하는 point cloud semantic segmentation network는 real world에 대한 closed-set과 정적인 관점으로 인해 unknown class를 구분하지 못하고, knowledge를 update하지 못한다. 이는 intelligent agent가 잘못된 결정을 내리게 한다. 이를 해결하기 위해  open-world semantic segmentation인 Probability-Driven Framework(PDF)를 제안한다. 이는 다..

Entropic Open-set Active Learning https://arxiv.org/pdf/2312.14126 0. AbstractActive learnin(AL)은 unlabeled data에서 가장 informative sample을 선택하여 annotation함으로써 deep model의 수행을 향상시키는 목적을 가진다. closed set에서 인상깊은 수행을 보이지만, 대부분의 AL은 unknown category가 포함된 unlabel데이터인 real-world에서 성능이 떨어진다. 저자들은 AL동안 informative sample을 효과적으로 선택하기 위해 known과 unknown 분포를 사용하는 Entropic Open-set AL(EOAL)을 제시한다. 1. Introducti..