초보 개발자의 이야기, 릿허브

dataloader에서 포인트/GT 정렬이 어떻게 보장되는지baseline에서 forward → shape 정리 → lossevaluation에서 indices로 원본 좌표 복원하는 핵심1) dataloader_baseline.py 핵심: FPS로 points와 heatmap을 같은 인덱스로 정렬아래 블록이 point cloud processing에서 제일 중요한 부분포인트를 FPS로 6890개로 줄였으면, GT heatmap도 반드시 같은 ply_index로 줄여야 “포인트 i의 GT”가 유지# (dataloader_baseline_annotated.py 중 핵심 구간)ply_mesh = trimesh.load(ply_path, process=False)# 원본 포인트 (N_raw, 3)ply_poin..

1. 주어진 point cloud 분류 데이터 (각 샘플은 (N, 3) 포인트, 라벨은 K 클래스)로 다음을 구현하라.전처리: 중심화 (centering) + 스케일 정규화 (scale normalization) + 고정 포인트 수 N으로 샘플링 (random sampling)Custom Dataset 및 DataLoaderkNN 기반 local feature (edge feature) 생성간단한 DGCNN 스타일 분류 모델 구현 loss (cross entropy) 및 학습/검증 루프 구현 후, validation accuracy 출력 # Colab cell 1: imports, seedimport mathimport randomfrom dataclasses import dataclassfrom typ..

1. 문제이해https://www.acmicpc.net/problem/2563 가로, 세로의 크기가 각각 100인 정사각형 모양의 도화지가 존재한다. 이 도화지 위에 가로, 세로의 크기가 각각 10인 정사각형 모양의 검은색 색종이를 색종이의 변과 도화지의 변이 평행하도록 붙인다. 이러한 방식으로 색종이를 한 장 또는 여러 장 붙인 후 색종이가 붙은 검은 영역의 넓이를 구하는 것이 목표이다.  2. 문제 풀이 실버 5의 단순 구현 문제이다. 문제를 처음 접근하면서, 단순히 색종이를 하나씩 붙인다는 생각으로 접근하면 매우 복잡한 문제가 되어버린다.하나씩 종이를 붙여가면서 겹치는 영역을 빼줄 생각을 하면 어렵다는 거다.몇개의 색종이를 붙일지도, 몇개의 색종이가 겹칠지도, 겹치는 영역이 몇개일지도 정해진 것이 ..

Bilateral Filter 1. Introduction 우리는 일상생활에서 수많은 이미지를 접하게됩니다. 이러한 이미지들은 모두 '픽셀(pixel)'이라는 색상 정보를 포함하는 요소로 구성되어있습니다. 각 픽셀은 RGB 값으로 색상을 나타내며 각 색상의 강도(intensity)를 나타냅니다. 이 강도는 일반적으로 0~255 범위의 단일 바이트로 개별적으로 표시됩니다. 오늘 소개할 Bilateral filter(양방향 필터)는 image transformation technique의 일종으로 그 중에서도 filtering의 일종입니다. Filtering이란 이미지의 각 픽셀 값을 변경하는 것을 의미합니다. 이 "intensity" 값을 변경하는 것은 이미지의 "range"를 변경하는 것으로 표현되기도 ..

NeRF https://www.matthewtancik.com/nerf NeRF: Neural Radiance Fields A method for synthesizing novel views of complex scenes by optimizing an underlying continuous volumetric scene function using a sparse set of input views. www.matthewtancik.com 1. Introduction NeRF, Representing Scenes as Neural Radiance Fields for View Synthesis는 3D 장면을 재구성하는 새로운 방법 중 하나로 떠오른 View Synthesis 모델입니다. 사실, 대부분 사람들..

DenseNet 에 대한 논문 리뷰 https://beginnerdeveloper-lit.tistory.com/161 [논문리뷰] DenseNet (Densely Connected Convolutional Networks) DenseNet https://arxiv.org/abs/1608.06993 Densely Connected Convolutional Networks Recent work has shown that convolutional networks can be substantially deeper, more accurate, and efficient to train if they contain shorter connections between layers close beginnerdevelope..

DenseNet https://arxiv.org/abs/1608.06993 Densely Connected Convolutional Networks Recent work has shown that convolutional networks can be substantially deeper, more accurate, and efficient to train if they contain shorter connections between layers close to the input and those close to the output. In this paper, we embrace this observa arxiv.org 1. INTRODUCTION CNN(Convolutional Neural Network..

ResNet에 대한 논문 리뷰 https://beginnerdeveloper-lit.tistory.com/159 [논문리뷰] ResNet (Deep Residual Learning for Image Recognition) ResNet https://arxiv.org/abs/1512.03385 Deep Residual Learning for Image Recognition Deeper neural networks are more difficult to train. We present a residual learning framework to ease the training of networks that are substantially deeper than those used beginnerdeveloper..

ResNet https://arxiv.org/abs/1512.03385 Deep Residual Learning for Image Recognition Deeper neural networks are more difficult to train. We present a residual learning framework to ease the training of networks that are substantially deeper than those used previously. We explicitly reformulate the layers as learning residual functions with arxiv.org 1. INTRODUCTION Deep convolutional neural netw..

VGG16에 대한 논문 리뷰 https://beginnerdeveloper-lit.tistory.com/157 [논문리뷰] VGG16 (Very Deep Convolutional Networks for Large-Scale Image Recognition) VGG16 https://arxiv.org/abs/1409.1556 Very Deep Convolutional Networks for Large-Scale Image Recognition In this work we investigate the effect of the convolutional network depth on its accuracy in the large-scale image recognition setting. Our main cont..