LiDARism

U-Net: Convolutional Networks for Biomedical Image Segmentation 기존 연구의 문제점 이미지에서 하나의 patch를 추출하는데, 각 patch를 모두 다른 network에서 학습을 진행했다. 이는 overlapping하는 부분 때문에 연산이 낭비되는 문제가 있었다. 크기가 큰 patch의 경우 max-pooling을 더욱 많이 거치는데, 이 경우 localization accuracy(즉, 각 pixel 별 class 예측의 정확도)가 떨어진다. 크기가 작은 patch의 경우 context에 대한 인식률이 떨어지게 된다. U-net의 Architecture Fully Convolutional Network이 발전한 모델이다. end-to-end로 train..

Paper Link https://arxiv.org/abs/1512.02325 Abstract single deep neural network를 이용해서 object를 detecting하는 방법에 관한 논문이다. SSD는 bounding box의 output space를 default box의 집합으로 이산화한다. 이 때 그 bounding box의 aspect ratio와 scale을 feature map을 기준으로 여러 개로 만든다. prediction time에는, network가 object category에 관한 score와 object shape에 더 알맞은 bounding box adjustment를 출력한다. 또한, network는 object를 여러 개의 size로 다루기 위해서, 여러 ..

본 포스팅에서는 'Closing the Loop for Robotic Grasping : A Real-time, Generative Grasp Synthesis Approach'를 리뷰한다. Paper Link https://arxiv.org/abs/1804.05172 Closing the Loop for Robotic Grasping: A Real-time, Generative Grasp Synthesis Approach This paper presents a real-time, object-independent grasp synthesis method which can be used for closed-loop grasping. Our proposed Generative Grasping Convolu..

Lecture 9 'Problem Solving, PS란 무엇인가?'에 대한 답변 Problem Solving이란 무엇인가? = initial state에서 goal state까지 찾아가는 과정 혹은 순서(sequence of action)를 찾는 것. State, Action, Goal로 구성되어있으며, Action을 통해서 Goal에 도달하는 방법을 찾는 것을 Problem Solving이라고 한다. AI Agent가 reach a goal하는 것을 Problem Solving이라고 한다. 다만 Local Search는 path가 아니라 optimal Goal만을 찾을 뿐인 것이다. Problem 현재상태 to 목표상태까지의 gap이 있는 것 Problem solving solution..

Lecture 8 Local Search 다시 보기 매우 큰 state space -> exhausive는 불가능하다. 그래서 일부, 즉 Local만 Search를 해본다. Local Beam Search 정해진 시간동안 search를 해서 각자 다른 local maxima를 찾았다고 해보자. 이걸 전부 모아서 best인 k개를 솎아내서 tracking한다(이걸 교수님은 '협력했다, 정보가 각 k search에서 서로 공유되었다'고 하더라..). 중요한 점은 k개의 successor가 good ones에 bias되게 만든다는 점이다. diversity가 부족할 수 있다. 이를 위해서 Stochastic beam search : state quality에 비례한 확률로 k successors를 선정하는 방..

Lecture 7 Local Search Local Search는 path가 중요하지 않을 때 사용한다. goal이 주어지지 않으며, path또한 찾지 않는다. 특히, global에서 가장 큰 제일 좋은 state를 찾는 것이 목표이다. Traditional Search는 goal state로 가는 path를 찾는 것이어서, 전체 state space를 활용하고, 현 상태에서 다음 상태로 가는 traversal 전략이 정해져 있었다. 경로를 찾는 것이 아니므로, random state 에서 시작한다. 각 state 는 object function 에 의한 value 를 가지고 있다. 이를 Fitness 값이라고도 한다. current state를 유지하면서, imporve 한다. 바로 옆의 state로만..

Lecture 6 문제를 tree로 표현, state와 action으로 구성되어있으며, 이를 이용해서 Search를 한다. 근본적으로는 다 똑같다고 한다만... best first search의 흐름은 똑같지만, 각 node의 값은 g, h, g+h에 따라서 UCS, GBFS, A*인지 구분된다. A*의 completeness와 optimality A* search는 completeness와 optimality를 보장하는 조건이 있다. A* is optimal if h(n)is admissible, while the graph-search version of A* is consistent admissible heuristic is that never overestimates the cost to reac..

Lecture 5 지난 이야기.. 들른 곳이 closed 나머지가 open list에 있는 것. agent로 보는 관점에서 보자. 어떤 순간에 주어진 환경에서 나의 action을 결정하는 과정을 살펴보고 있었다. 환경은 open, closed list이다. 모델은 tree로 구성되어있고, agent는 goal test를 해서 goal인지 확인한다. 이번에는 어떤 Information을 가지고 있을 때, goal에 더 가까운 쪽으로 선택을 하는 방법이 Informed Search이다. Local Search의 경우, Goal을 모른다. 대신 Utility를 사용한다. 여러 다른 탐색 전략을 비교하는 기준 completeness : 답 찾는 거 보장? optimality : 답이 최적해 보장? time co..

Lecture 4 Tree 기반으로 문제를 재정의 goal based agent에서 사용하는 환경 모델이다. 지금까지의 history action 다음 진행할 곳이 어디인지 candidate가 어디인지 알고 잇다. 이 세가지로 나뉜다. uninformed : BFS, DFS, UFS informed : Greedy best-first, A*, Hill Climbing local : Genetic Algorithm, Tabu Search Exhaustive Search completeness 를 보장한다 (즉, 모든 possibilities 를 try 해볼 수 있음을 보장한다) operator를 연속적으로 사용함으로써, 모든 state에 접근할 수 있다. No domain specific knowledge..

Lecture 3 Intelligent Agent 복습 목적 purspose가 있고, 분명하다. 그 목적을 달성하기 위해 효율적인 방법 acting(판단, 의사결정)을 한다. rational intelligent agent 목적을 달성하기 위해 utility를 maximize하는 방향으로 acting을 하는 것 효율적으로 3.1 Problem Solving Agent(by Search) Problem Solving이란 현재 state에서 goal state까지 가는 path = sequence of action이라고 할 수 있다. problem solving 문제는 그러면 utiliy based agent 가 아니라 goal based agent 에만 해당된다고 봐야되나요? 문제란 무엇인가??? AI의 ..