티스토리

JaeTech

검색하기

블로그 홈

JaeTech

faceyourfear.tistory.com/m

재박이의 테크블로그

구독자: 2

방명록 방문하기

공지 주인장에 대해 모두보기

주요 글 목록

우분투 에어팟 연결 에러 해결 우분투에서 에어팟 연결할 때 말썽인 경우가 많은데 아래와 같이 따라하면 간단하게 해결할 수 있다.$ sudo vim /etc/bluetooth/main.conf을 통해 파일수정을 들어가면,위와 같이 뜰 텐데, vim의 검색기능을 통해 /ControllerMode 로 찾으면,위 캡쳐화면처럼 ControllerMode 를 설정할 수 있는 라인을 발견할 수 있다.원래는# ControllerMode = dual로 아마 되어있을텐데, 이를 위의 사진과 같이 bredr로 바꿔주면 된다.:wq를 통해 저장하고나서$ sudo /etc/init.d/bluetooth restart로 바뀐 설정으로 재시작을 해주고 나면 에어팟 연결이 정상적으로 될 것이다. 공감수 0 댓글수 0 2024. 8. 11.
Ubuntu에서 Filezilla3 설치 파일질라 공식사이트에서 tar.xz 파일 받고 압축해제하면 bin파일로 실행하는 방식인데, 바이너리 파일이 에러 뜰 때가 많길래 그냥 터미널 커맨드로 앱을 받는 게 더 편하고 안정성이 높은 것 같다. 아래와 같이 설치가능.$ sudo apt update$ sudo apt upgrade$ sudo add-apt-repository ppa:xtradeb/apps$ sudo apt update$ sudo apt install filezilla 공감수 0 댓글수 0 2024. 8. 11.
dlopen(): error loading libfuse.so.2 에러 해결 리눅스의 경우 AppImage 형태의 프로그램을 실행하기 위해서는 fuse2 라는 라이브러리가 필요하다.따라서, 위와 같이dlopen(): error loading libfuse.so.2라는 에러가 뜨는 경우에는 fuse2 라이브러리를 설치해주기만 하면 된다. $ sudo apt install libfuse2 공감수 0 댓글수 0 2024. 8. 11.
MeshLab 설치 및 에러 해결 SuGaR로 돌려본 결과를 rendering 하려고 여러 툴을 찾아보다가 교수님께서 MeshLab을 추천해주셨다.Install 방법을 구글링해봤는데 처음 찾았던 게$ sudo apt update$ sudo apt install meshlab이거였고, 정상적으로 MeshLab 설치는 되었다.하지만 import Mesh 를 해보니 계속 .obj 파일이 열리다말고 프로그램이 꺼졌다.나의 경우 Ubuntu 22.04를 쓰고 있는데 22.04 에서는 이런 문제가 생길 수 있다고 해서 다른 방법으로 install을 진행해보니 정상적으로 작동이 됐다.MeshLab 홈페이지에서 Linux AppImage를 눌러 설치를 받고,$ chmod a+x MeshLab2023.12-linux.AppImage$ ./MeshLab2.. 공감수 0 댓글수 1 2024. 5. 9.
두 개의 dataloader에서 에서 tqdm 쓰는 법 tqdm을 사용하기 위해선 tqdm의 인자로 들어오는 게 __len__ 메소드를 가져야 한다. 따라서, tqdm안에 아래와 같이for i, data in tqdm(enumerate(zip(train_dataloader1, train_dataloader2)))이렇게 쓰면 안되고,__len__을 가지는 train_dataloader1이나 train_dataloader2 중 하나를 tqdm으로 감싼다.(어차피 둘의 크기는 같을 것이므로)for i, data in enumerate(zip(tqdm(train_dataloader1), train_dataloader2)):이렇게 해주면 정상적으로 작동한다. 공감수 0 댓글수 0 2023. 4. 8.
학습 시 두 개 이상의 데이터셋에서 batch 뽑아내는 법 종종 model의 input으로 두 개의 데이터가 들어갈 때가 있다.따라서, dataloader도 각각 따로 필요할 수가 있고, 그로 인해 enumerate 함수의 인자를 어떻게 전달해야 할 지 헷갈릴 때가 있다. 그럴 때는 다음과 같이 enumerate안에 zip으로 두 dataloader를 묶어서 사용해보자. model.train() for epoch in range(num_epoch): print('EPOCH {}:'.format(epoch + 1)) training_loss = 0.0 for i, data in enumerate(zip(train_dataloader1, train_dataloader2)): # get the inp.. 공감수 0 댓글수 0 2023. 4. 8.
Edge detection Edge detection Edge detection이란 뭘까? Edge detection은 2D image를 curve의 set으로 변환하는 것이다. 즉, 해당 scene 또는 object의 가장 두드러지고 핵심적인 feature를 추출하는 것이라고 할 수 있다. 그렇다면 왜 edge를 사용하는 걸까? 왜냐하면 edge는 빛과 색깔에 비교적 robust하기 때문이다. 즉, 위와 같이 색깔이 다른 같은 모델의 자동차는 비슷한 edge feature를 가지고 있을 것이다. 따라서 edge는 recognition과 이미지의 patch들을 matching하는 데 유용하게 쓸 수 있다. 그렇다면 edge에 대해서 조금 고민해보자. Edge는 위의 그림과 같이 단순히 하나의 이유만으로 생기는 것이 아니다. 깊이가.. 공감수 0 댓글수 0 2023. 4. 7.
Image filtering What is Image? A grid (matrix) of intensity values (보통 0이 black, 255 : white를 의미) 이 map을 intensity(강도) map이라고도 함 이 grid를 pixel이라고 함 이 pixel 하나하나가 intensity value를 가지고 있음 Images as functions 이미지는 discrete한 pixel수를 가지고 있다. - Pixel value grayscale/intensity [0, 255] color RGB는 [R, G, B] 즉 빨강 초록 파랑의 3 채널이고, 각각 [0, 255] per channel HSV [H, S, V]: Hue, saturation, value 로 나타낼 수도 있음 Image는 $R^2$에서 $R$ .. 공감수 0 댓글수 0 2023. 4. 5.
티스토리(tistory) 모바일에서 LaTex 수식 깨짐 해결 수학 공부한 내용을 정리하거나, 논문 리뷰할 때 수식이 많이 나와 LaTex을 이용해서 블로그에 정리를 하곤 한다.그런데 pc버전은 아무 문제가 없는데, 모바일 버전에서는 아래와 같이 내가 쓴 LaTex수식이 변환이 안되고 그대로 나와서 문제를 해결해보고자 했다.먼저, 여러 블로그를 참고해보니 아래와 같은 솔루션을 제공했다.먼저, 서식 관리에 들어간다.서식 쓰기 누르고,제목은 대충 아무거나 짓고, 를 넣으면 된다.결과는 다음과 같다.그리고 완료를 누르게 되면, 아래처럼 서식이 생긴다.이제 변환을 원하는 페이지마다 들어가서 수정을 누르고,서식에 들어가서 작성한 서식을 눌러주면,이렇게 상단에 script가 두 개 생긴다.그리고 수정을 완료하면 된다.근데 여기서!! 모바일에서 다 업데이트가 될 .. 공감수 6 댓글수 3 2023. 3. 26.
CH04. Stereo Systems (2) Perspective structure from motion 앞서서는 간단한 affine한 경우를 알아봤고, 이제는 좀 더 일반적인 projective cameras 에 대해 알아본다. Projective cameras $M_i$는 11의 자유도를 가지고, up to scale로 다음과 같이 표현 가능하다. $$ M_i=\begin{bmatrix}a_{11}&a_{12}&a_{13}&b_1\\a_{21}&a_{22}&a_{23}&b_2\\a_{31}&a_{32}&a_{33}&1\end{bmatrix} $$ Affine 의 경우에는 affine transformation을 structure 행렬, motion에 해줬던 것처럼, 이 경우에는 projective transformation을 struture, .. 공감수 0 댓글수 0 2023. 3. 5.
CH04. Stereo Systems (1) 지난 번까지는 여러 추가적인 viewpoints 들이 얼마나 해당 scene에 대한 정보를 많이 줄 수 있는지에 대해서 알아봤었다. Epipolar geometry는 3D scene에 대한 정보 없이 한 image plane의 점들을 다른 image plane으로 대응했었다면, 이번 강에서는 여러 2D images를 이용해서 3D scene을 recover 하는 법에 대해 알아본다. Triangulation Triangulation은 multiview geometry에서 가장 fundamental한 문제 중 하나다. Triangulation은 3D point가 projection된 두 개 이상의 images를 이용해서 해당 3D point의 위치를 결정하는 작업이다. 만약 두 개의 view를 이용한 tr.. 공감수 0 댓글수 1 2023. 3. 2.
CH03. Epipolar Geometry (2) The Fundamental Matrix 앞선 강의에서 봤던 Essential matrix 같은 경우는 카메라가 canonical 한 경우($K=I)$에만 해당되므로 canonical한 카메라가 아닌 general한 경우에 대해서도 생각해볼 필요가 있다. 먼저 projection matrix는 다음과 같았다. $$ M=K\begin{bmatrix}I&0\end{bmatrix}\quad\quad M^\prime=K^\prime\begin{bmatrix}R_{wc^\prime}^{T}&-R_{wc^\prime}^{T}T_{wc^\prime}\end{bmatrix} $$ 만약 카메라가 canonical하다면, 각각의 image plane으로의 $P$의 projection은 $p_c=K^{-1}p$ 와 $p_c.. 공감수 2 댓글수 0 2023. 2. 24.
최적화 문제 곡선 적합 보간법(Interpolation) 개념 주어진 특정 점들을 포함하는 함수를 구하는 방법. 💡 좌표평면에 있는 임의의 서로 다른 $n$개의 점을 지나는 $k$차 다항함수는 유일하게 존재한다. (단, $k$는 $k 공감수 0 댓글수 0 2023. 2. 16.
복소벡터공간 복소벡터공간 정의 복소수체 $\mathbb{C}$에 대한 가군, 즉, 적당한 집합 $V$에 대해 벡터공간 $(V,\mathbb{C},+,\,\cdot\,)$을 복소벡터공간이라 한다. 또한, 모든 복소 $n-$튜플 $(v_1,v_2,\cdots,v_n)$의 집합을 복소 $n-$공간이라 하고, $\mathbb{C}^n$ 으로 표시한다. 복소켤레(Complex conjugate) $\mathbb{C}^n$의 임의의 벡터 $$ \begin{align*} \text{v} & =(v_1,v_2,\cdots,v_n)\\ & =(a_1+b_1i,a_2+b_2i,\cdots,a_n+b_ni)\\ & =(a_1,\cdots,a_n)+i(b_1,\cdots,b_n)\\&=\text{Re}(\text{v})+i\,\text{.. 공감수 0 댓글수 0 2023. 2. 15.
대각화 대각화 대각화(Diagonalization) 정의 두 square matrix $A,D$에 대해 방정식 $$ D=X^{-1}AX $$ 를 만족하는 대각행렬 $D$와 가역행렬 $X$가 존재하면, 행렬 $A$는 대각화 가능 행렬이라고 한다. ($A$는 diagonalizable하다) 또한 이 경우 행렬 $X$는 $A$를 대각화한다고 한다.($X$ diagonalizes $A$) 모든 square matrix가 대각화가 가능한 것은 아니며, 행렬 $X$와 $D$가 unique한 것은 아니다. 예제) $A=\begin{bmatrix}1&-2\\3&-4\end{bmatrix},\quad X=\begin{bmatrix}1&2\\1&3\end{bmatrix}$ $X^{-1}=\begin{bmatrix}3&-2\\-1.. 공감수 0 댓글수 0 2023. 2. 14.
CH03. Epipolar Geometry (1) Introduction 앞선 강까지는 single view metrology나 typical camera calibration을 통해 image로부터 3D world의 property를 유도해내는 과정을 보였었다. 하지만, 일반적으로 하나의 이미지를 이용해서는 3D world의 전체적인 구조를 복구해내기 어렵다. 바로 3D에서 2D로의 mapping의 intrinsic ambiguity 때문이다. (정보가 손실됨) 위의 그림을 보면, 남자가 피사의 사탑을 받치고 있는 것처럼 보인다. 하지만 실제로 남자가 피사의 사탑을 받치고 있는 것이 아니라, 다른 depth를 image plane에 투사시켰기 때문에 생기는 현상이다. 만약 이 scene을 다른 각도에서 볼 수 있다면, 이렇게 착시현상이 아니라 제대로 .. 공감수 0 댓글수 0 2023. 2. 12.
고윳값과 고유벡터 고윳값과 벡터 정의 체 $F$에 대한 벡터공간 $V$위의 선형사상 $L: V\rightarrow V$에 대해 다음 두 조건 $v\neq\overrightarrow{0}$ $L(v)=\lambda v$ 를 만족하는 $\lambda \in F$와 $v\in V$ 를 각각 고윳값과 고유벡터라고 한다. (그래도 영어가 편하니까 고윳값은 eigenvalue, 고유벡터는 eigenvector로 표현) 행렬로 생각해보면, 고유방정식 영어로 characteristic equation이라고 부른다. $n\times n$ 행렬 $A$에 대해 $\lambda$가 $A$의 eigenvalue이기 위한 필요충분조건은 다음 방정식 $$ \det(A-\lambda I)=0 $$ 을 만족하는 것이다. (why? $Av=\lambda.. 공감수 0 댓글수 0 2023. 2. 12.
CH02. Single View Metrology (2) Vanishing Points and Lines 지금까지는 2D 에서 무한대에서의 직선과 점을 다뤘다면 이제 이를 3D 에도 적용시켜본다. 3D에서는 평면의 개념을 도입해야한다. 평면을 vector로 $\begin{bmatrix}a & b & c & d\end{bmatrix}^T$로 표현 가능하고, 여기서 $(a,b,c)$는 법선벡터(normal vector)를 의미하며 $d$는 법선벡터 방향으로 원점에서 평면까지의 거리이다. Formal하게 평면을 정의해보면 다음과 같다. $$ x^T\begin{bmatrix}a\\b\\c\\d\end{bmatrix}=ax_1+bx_2+cx_3+d=0 $$ 3D 에서 직선이란 두 평면의 intersection으로써 정의된다. 자유도가 4이기 때문에(? 모르겠다), 3D.. 공감수 0 댓글수 0 2023. 2. 9.
CH02. Single View Metrology (1) Introduction 지난 강에서 3D world를 digital image로 transform하는 camera matrix에 대해서 알아보았다. 그렇다면, 역으로 3D world의 구조를 하나의 이미지만을 가지고 추정할 수 있을까? Transformations in 2D Isometric transformation 거리를 보존하는 transformation이다. 가장 basic한 형태로, rotation $R$ 과 translation $t$ 로 표현된다. 3의 자유도를 가지며, 수학적으로 정의하면, $$ \begin{bmatrix}x^\prime \\ y^\prime \\ 1\end{bmatrix}=\begin{bmatrix}R & t \\ 0 & 1\end{bmatrix}\begin{bmatrix.. 공감수 0 댓글수 0 2023. 2. 8.
벡터공간 (2) Change of Basis $\mathbf{R}^2$ 에서, 어떠한 vector $\text{x}=(x_1,x_2)$도 표준기저 $\{\text{e}_1,\text{e}_2\}$의 linear combination으로 표현가능하다. 이 때, scalar $x_1,x_2$를 표준기저 $\text{e}_1, \text{e}_2$에 대한 coordinates, 즉 좌표라고 부른다. 더 나아가서, 또 다른 새로운 basis인 $\{\text{y},\text{z}\}$가 있을 때, $\text{x}$는 $\text{x}=a\text{y}+b\text{z}$ 로 unique하게 표현된다. $\text{y}=y_1\text{e}_1+y_2\text{e}_2$ 이고 $\text{z}=z_1\text{e}_1+z_2\.. 공감수 0 댓글수 0 2023. 2. 8.
SSD: Single Shot MultiBox Detector 리뷰 Wei Liu 외 5 명의 저자가 쓴 논문으로, ECCV 2016에 accept된 논문이다. SSD는 2-stage detector인 Faster R-CNN과 1-stage detector인 YOLOv1의 단점은 보완하고, 장점은 가져와 정확도와 속도에서 큰 성공을 거둔 모델이다. 논문에서는 비교적 rough하게 설명이 되어있어 이해하는데 꽤나 어려움을 겪었는데, 하나하나 디테일하게 뜯어보면서 확실히 이해를 해보자. Introduction Faster R-CNN과 같이 bounding box를 예측한 후에 classify를 적용하는 2-stage detector는 비교적 정확하나(73.2mAP) 느림(7FPS) YOLOv1과 같은 1-stage detector는 빠르지만(45FPS) 정확도가 낮음 이 논.. 공감수 0 댓글수 0 2023. 2. 8.
벡터공간 (1) Vector Space $V$가 addition과 scalar multiplication이 정의된 집합이라고 할 때, 1. Addition 두 개의 $V$에 속한 element $\text{u},\text{v}$의 합, 즉 $\text{u}+\text{v}$ 2. Scalar multiplication Scalar인 $c$와 $V$의 element $\text{u}$ 로 이루어진 rule로써, $c\text{u}$로 나타냄. 이와 같이, 두 operation이 정의되어 있고, 다음의 axiom들을 만족하면 Vector space라고 함. Null space Matrix에서 정의된 subspace이다. $m\times n$ matrix $A$ 의 null space는 $A\text{x}=0$을 만족하는 모.. 공감수 0 댓글수 0 2023. 2. 7.
CH01. Camera Models (4) Handling Distortion in Camera Calibration 지금까지는 distortion이 없는 ideal lens를 다뤄왔다. 하지만 real lens는 rectilinear projection이 안되는 왜곡된 lens일 수도 있다. Lens가 물리적으로 symmetric 하기 때문에 distortion도 radially symmetric 한 편이다. 따라서 isotropic transformation으로 radial distortion을 모델링해보면, $$ QP_i=\begin{bmatrix}\frac{1}{\lambda} & 0 & 0 \\ 0 & \frac{1}{\lambda} & 0 \\ 0 & 0 & 1 \end{bmatrix}MP_i=\begin{bmatrix} u_i \\ .. 공감수 0 댓글수 0 2023. 2. 6.
CH01. Camera Models (3) Camera Calibration 앞에서 intrinsic, extrinsic parameter 를 알아야 정확한 transformation이 가능하다고 했다. 하지만 임의의 카메라를 처음 쓰게 되면, parameter들에 대한 정보가 없다. 하지만 그 카메라로 image를 촬영할 수는 있다. 따라서 해당 image를 이용해 extrinsic, intrinsic camera parameter들을 추정하는 것이 바로 camera calibration이다. 위의 사진은 calibration rig 를 보여준다. 이 rig는 보통 그림처럼 차원을 가진 simple한 패턴으로 구성되고, 더 나아가 rig는 world reference를 원점 $O_w$ 와 $i_w,j_w,k_w$ 로 정의한다. 이 때, worl.. 공감수 0 댓글수 0 2023. 2. 6.
CH01. Camera Models (2) Going to digital image space 앞으로 보일 유도들은 pinhole model을 이용하지만, paraxial refraction model에도 적용이 가능하다. 앞서 다뤘듯이, 3D space의 점 $P$는 2D point인 $P^\prime$과 mapping(또는 projected)되었다. 이와 같은 $\mathbb{R}^3\rightarrow\mathbb{R}^2$ mapping을 projective transformation이라고 한다. 하지만, 몇 가지 이유로 image plane으로의 3D points projection은 우리가 실제로 보는 digital image와 direct하게 상응하진 않는다. Digital image의 points는 image plane의 point.. 공감수 0 댓글수 0 2023. 2. 5.
CH01. Camera Models (1) Pinhole cameras 그림에서처럼, 3D 물체의 각각의 point는 여러 광선을 배출한다. 장벽이 없으면, film의 모든 점이 3D object의 모든 점으로부터 영향을 받겠지만, 장벽과 작은 틈으로 인해 하나 또는 몇 개의 ray만 통과할 수 있다. 따라서 3D object와 film 의 각 point 사이의 one-to-one mapping이 가능하다. 결과적으로 film은 이 mapping덕에 “image”를 얻게 되고, 이러한 simple한 모델을 pinhole camera model이라고 부른다. Pinhole camera를 좀 더 formal하게 나타내면 위의 그림과 같이 나타낼 수 있다. 먼저 용어 정리를 할 필요가 있다. 위 구조에서 film은 image 또는 retinal pla.. 공감수 0 댓글수 0 2023. 2. 5.
수학적 벡터 본 포스팅은 유튜브 채널 이상엽Math를 참고하였습니다. 대수구조 대수구조 영어로 Algebraic structure. 수 뿐 아니라 수를 대신할 수 있는 모든 것을 대상으로 하는 집합과 그 집합에 부여된 연산이 여러 가지 공릴써 엮인 수학적 대상. 간단히 일련의 연산들이 주어진 집합을 대수구조라고 함. 여러 대수구조 반군(Semigroup) 집합과 그 위의 결합법칙을 따르는 하나의 이항 연산을 갖춘 대수구조. 모노이드(Monoid) 항등원을 갖는 반군. 군(Group) 역원을 갖는 모노이드. 아벨군(Abelian group) 교환법칙이 성립하는 군 환(Ring) 덧셈에 대하여 아벨군을, 곱셈에 대하여는 반군을 이루고 분배법칙(Distributive law)를 만족하는 대수구조. 가군(Module) 어떤.. 공감수 0 댓글수 0 2023. 1. 24.
물리적 벡터 본 포스팅은 유튜브 채널 이상엽Math를 참고하였습니다. 벡터와 좌표계 평면벡터 $R^2$ 에서 크기(스칼라)와 방향의 의미를 모두 포함하는 표현 도구이다. 공간벡터 $R^3$ 에서 크기와 방향의 의미를 모두 포함하는 표현 도구이다. n차원 벡터 $R^n$ 상의 벡터 $\text{v}=(v_1, v_2, v_3, \cdots, v_n)=\overrightarrow{AB}=(b_1-a_1, b_2-a_2, \cdots, b_n-a_n)$ 영벡터 $\overrightarrow{0}=\mathbf{0}=(0, 0, \cdots, 0)$ 두 벡터 $\text{v}=(v_1, \cdots, v_n), \hspace{0.5cm}\text{w}=(w_1, \cdots, w_n)$ 가 같다. $\Leftrightarr.. 공감수 0 댓글수 0 2023. 1. 21.
[Latex] 수식모드에서 case 만들고 싶을 때 Latex으로 수식을 작성하다보면 옆에 큰 중괄호가 있으면서 우측에 케이스를 나누고 싶을 때가 있다. $K = \begin{cases} -1 & \text{if }t\leq 0 \\ 1 & \text{if }t>0 \end{cases}$ 그럴 때는 위와 같은 latex 문법을 적용하면 $K = \begin{cases} -1 & \text{if }t\leq 0 \\ 1 & \text{if }t>0 \end{cases}$ 처럼 case 표현이 가능하다. 공감수 4 댓글수 1 2023. 1. 19.
행렬과 행렬식 본 포스팅은 유튜브 채널 이상엽Math를 참고하였습니다. 행렬(Matrix) 용어정리 성분 : 행렬의 구성원, 원소(element) 행(row) : 행렬의 가로줄 열(column) : 행렬의 세로줄 $m\times{n}$ 행렬 : m개의 행과 n개의 열로 이루어진 행렬 ( $(a_{ij}){m\times{n}}$ 이라고 표현하기도 하고, $(a{ij})$ 도 행렬을 의미 ) 주대각선 : 행렬의 왼쪽 위에서 오른쪽 아래를 가르는 선. $\begin{bmatrix} a & b & c \\ c & d & d\\ e & f & g \\ \end{bmatrix}$왼쪽 행렬에서 a, d, g 를 가로지르는 선을 의미. 대각성분 : 줃대각선에 걸치는, 즉 i, j (행, 열)가 같은 성분 (위에서는 a, d, g) .. 공감수 0 댓글수 1 2023. 1. 19.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.