ISGAN (19.11) 논문 리뷰 [Learning Disentangled Representation for Robust Person Re-identification]

ISGAN (19.11) 논문 리뷰 [Learning Disentangled Representation for Robust Person Re-identification]

Link : https://arxiv.org/abs/1910.12003 Learning Disentangled Representation for Robust Person Re-identificationWe address the problem of person re-identification (reID), that is, retrieving person images from a large dataset, given a query image of the person of interest. A key challenge is to learn person representations robust to intra-class variations, as differarxiv.org Abstract대규모 데이터셋으로부터..

  • format_list_bulleted AI/Representation Learning
  • · 2025. 7. 9.
  • textsms
Feature Pyramid Network (16.12) 논문 리뷰

Feature Pyramid Network (16.12) 논문 리뷰

Link : https://arxiv.org/abs/1612.03144 Feature Pyramid Networks for Object DetectionFeature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because they are compute and memory intensive. In this paper, warxiv.org IntroObject Detection에서의 문제 중 하나는 다양한 크기의 물체를 어..

  • format_list_bulleted AI/Foundation
  • · 2025. 4. 3.
  • textsms
Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector (24.02) 논문 리뷰

Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector (24.02) 논문 리뷰

https://arxiv.org/abs/2402.03094 Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object DetectorThis paper studies the challenging cross-domain few-shot object detection (CD-FSOD), aiming to develop an accurate object detector for novel domains with minimal labeled examples. While transformer-based open-set detectors, such as DE-ViT, show promise inarxiv.org Abstract본 논문에서는 Few-shot..

  • format_list_bulleted AI/Few-shot
  • · 2025. 3. 4.
  • textsms
In-Context Learning과 Prompt Engineering

In-Context Learning과 Prompt Engineering

Prompt EngineeringPrompt Engineering이란?위키피디아에 따른 정의는 다음과 같습니다.Prompt engineering is the process of structuring an instruction that can be interpreted and understood by a generative artificial intelligence (AI) model. 즉, 생성형 인공지능이 해석하고 이해할 수 있도록, 특정한 지침을 구조화하여 제공하는 과정을 의미합니다.모두들 ChatGPT를 한 번씩은 사용해보았을 것이라고 생각합니다. 또는 오픈 소스 LLM을 인퍼런스해본 경험이 있으신 분들도 계시겠죠. 이러한 LLM을 사용하다 보면, 비슷한 의미를 지니고 있더라도 그 입력의 형태에 따..

  • format_list_bulleted AI/이론
  • · 2024. 12. 5.
  • textsms
백준 1541 파이썬

백준 1541 파이썬

사실 아이디어는 간단하다. -와 -사이의 식에 모두 괄호를 치면 그것이 최소가 된다.+연산자가 존재하는 경우 숫자를 키운 다음에, -를 이용해서 최대한 큰 숫자를 빼주는 것이 좋기 때문이다. 그러나 파이썬으로 구현하는 것은 그렇게 쉽지 않았다. 우선 -와 - 사이의 숫자들을 저장할 리스트를 만들었다(tmp_num_list)그리고 -가 등장하면, tmp_num_list 내의 숫자를 모두 더해준 뒤에 num_list에 append한다. num_list에는 -를 기준으로 나뉜 숫자들이 저장되게 된다. 만약 num_list의 크기가 1인 경우, 그 원소 자체가 최솟값이 되는 것이고, 그렇지 않은 경우 '-' 연산자가 적어도 한 번 있었던 것이므로 첫번째 원소로부터 뒤를 모두 빼주면 된다. exp = input(..

  • format_list_bulleted CS/백준
  • · 2024. 11. 26.
  • textsms
백준 20363 파이썬

백준 20363 파이썬

처음에는 max(X, Y)만큼 주고, min(X, Y)를 준 다음에, 여기서 감소한만큼 또 min(X, Y)//10 만큼을 주는 식으로 접근하였다. 그러나 이렇게 접근하는 경우, 언제 10번을 주게 되는지 나머지를 카운트해야 하는 복잡성이 존재하였다.그리고 해당 방법으로 접근할 시 예제에 나와 있는 정답보다 숫자가 컸다. 즉 최솟값을 보장하는 방법이 아니었다. 생각해보니, 원래 받아야 하는 양보다 더 많이 주는 데에 대해서는 아무런 문제가 없다.그래서, 처음에 X + Y만큼의 양을 씨앗 혹은 햇빛 중 더 많은 양을 필요로 하는 곳에 준 다음에, (예를들어 씨앗을 X + Y번 주었다면, 온기는 0으로 일정하다) 온기를 필요한 만큼 주면 되겠다는 생각을 하게 되었다.그러면 X + Y + min(X, Y) /..

  • format_list_bulleted CS/백준
  • · 2024. 11. 25.
  • textsms