Detection
공유하고자하는 논문의 제목은 Learning Deep Features for Discriminative Localization Bolei Zhou, Aditya Khosla, Agata Lapedriza, Aude Oliva, Antonio Torralba Computer Science and Artificial Intelligence Laboratory, MIT 논문의 데모는 "여기"서 쉽게 해볼 수 있다. 데모의 내용을 풀이하자면 먼저 처음엔 scene label로 태깅되어 있는 데이터로 Weakly supervised learning을 한
kinect
. 여태까지는 그냥 모니터로 키넥트의 인식결과를 출력하였다. 이제는 키넥트로 사람과 배경을 인식한 것을 프로젝터로 피사체에 쏘아 mapping하는 과정을 한다. 이때 쓰는 코드는 https://github.com/genekogan/KinectProjectorToolkit 을 사용한다. 여태까지 했던 kinect flow, physics 등은 사실 피사체에 프로젝터로 mapping을 하는 목적이 아니고 그냥 대형화면에 띄우는 듯한 목적이다. 하지만 위 코드는 키넥트로에서
Deep Learning
**Deep Learning(딥러닝)**이라는 기술이 최근 거의 모든 기계학습류 문제의 해결책으로 떠오르고있다. "이 기술을 무엇으로 구현해서 사용하는 것이 가장 효율적인가" 라는 질문이 아주 흔하다. 대부분은 딥러닝을 시작하는 김에 더 빠르고, 더 메모리가 효율적인 것이고, 더 쉬운 라이브러리를 사용하고 싶은 욕심일 것이다.(나도 그랬으니까) 만약 누군가 Convlutional Neural Network(
kinect
기본적인 튜토리얼로 이것으로 시작하였으려나, 사용하려는 데모 튜토리얼은 이게 더 멋있어서 바꿔 진행했다. 허나 문제는 이 튜토리얼은 Kinect v1만 지원한다는 것인데, Kinect v2를 지원하는 지는 더 알아봐야할 문제이다. 이 튜토리얼은 SimpleOpenNI를 적극적으로 활용하는데, Processing을 이용해서 이 라이브러리를 어떻게 사용하는지를 짧게 옮겨본다. 가장 기본적인 코드는 다음과 같다. // Kinect Basic Example by Amnon
ghost
개인 웹서버에 Ghost가 설치되어 있다고 가정하고 시작한다.[1] 일단 개인 웹서버의 ip주소가 123.123.123.123 뭐 이렇게 되어있다고치면 80포트가 열려있어야한다. 웹에서 http://123.123.123.123 로 접속하면 사실은 http://123.123.123.123:80 으로 접속한다. 근데 만약에 내 개인 웹서버에 여러 블로그나 다른 웹서버를 운영하고 싶다면? 80포트가
kinect
Kinect Physcis Tutorial 을 해보았다. 아까의 링크를 따라했는데 지금 사용하고 있는 코드 버젼이랑 다른 것 같다. 예를 들어, // declare SimpleOpenNI object SimpleOpenNI context; 로 context를 정의하고, context.enableScene() 같은 함수는 현재 쓰고있는 Processing 2.2.1 버전에서는 다른 API로 제공되는 듯하다. if (!context.enableScene()) { println("Kinect not connected!"
kinect
Kinect v1 Kinect v2 둘의 자세한 비교는 이곳 블로그에 잘 소개되어있다. 두개 다 성공적으로 연결시킬 수 있었는데, 확실히 v2가 더 성능이 좋았다. 보통 윈도우에 연결시키는 후기들은 많아서 윈도우, 키넥트 둘다 MS꺼니까 나는 맥북프로를 쓰기 때문에 이걸 시도해봤다. 내가 쓰는 맥북프로는 OSX Elcapitan v10.11.3에서 테스트했다. TEDxSNU의 Interactive Session같은 거로
Detection
Computer Vision에서 Detection 이란 image에서 물체를 탐지해서 대부분의 경우 Bounding Box로 물체위치를 표시하고 무엇인지 notation을 한다. 주로 VOC Pascal 데이터셋을 사용하는데, 영상에서 모든 물체를 다 표기하긴 어렵고, 대표적인 물체 20가지를 탐지하게 한다. Classification은 단순히 물체가 영상에 하나가 있다고 가정하고 그 물체가 무엇인지 분류하는 문제인데, 이제 성능이 saturate되었다. 반면 Detection은 물체위치도
selfie
이 글은 Karpathy의 간단한 실험이 재밌어서 한글로 옮긴 글이다. What a Deep Neural Network thinks about your #selfie 딥러닝 블로거인 Andrej Karpathy가 간단한 실험을 했다. 좋은 셀카란 무엇일까? 를 딥러닝에서 CNN으로 학습하였다. 기술이 새로운건 아닌데 실험내용이 재밌다. 데이터는 Instagram에서 #selfie로 크롤링해서 적어도 얼굴 하나는 있는 사진 2,000,000장 사진을
IPIU
발가락이 닮았다: Finding Face Lookalikes using CNN 논문 개요 초록 한문장씩 from 서론 본론 실험 결론 futurework 1. 서론 흥미 유발. 모티베이션. 왜했는가 * Face Verification, Identification 의 역사. 적용 분야. * Face lookalikes Our brain compute the complex features in face and decide whether the two faces look alike or not.
nexus
2012년도? 쯤에 그때 당시 가성비가 좋기로 소문났던 넥서스7 1세대를 요새 다시 사용하려했다. 그런데 롤리팝 (안드로이드 v5.0)이 계속 버벅이자 결국 예전 버전 킷캣 (v4.3)으로 내리기로 결정했다. 결과적으로 엄청 빠릿빠릿하다! 과정은 여기를 참고했다. 윈도우 컴퓨터에서 Downgrade했다. http://heroboyh.blog.me/220438684901 "nakasi" for Nexus 7 (Wi-
ghost
Tistory나 WordPress 없이 직접 블로그를 운영해보고 싶다면, Ghost가 굉장히 적합한 플랫폼이 될 것이다. Node.js 기반이며 마크다운을 지원하며 굉장히 개발자/연구자에게 적합한 블로깅 툴인 것 같다. 공식 홈페이지는 https://ghost.org 이다. Node.js나 npm은 이미 설치 되어있다고 가정한다. Ghost는 Node.js 0.10.xx 버전을 지원한다. Node.js 버전