💡 계속 업데이트 예정DCF (Discriminative Correlation Filter)DCF-based 접근법: objective를 최소화함으로써 target과 background를 구별하기 위한 target model을 학습한다.  여러가지 종류들오랫동안 Fourier-transform based solvers는 DCF based trackers [5, 15, 29, 46]에 지배적이었다.[13]은 target model로 two layer Perceptron을 사용하고, 최적화 문제를 해결하기 위해 Conjugate Gradient를 사용한다.최근, 추적 문제를 meta learning problem [1, 58, 72]에 던져 end-to-end training을 가능하게 하는 여러 가지 방..

💡 계속 업데이트 예정이 외에도 Transformer를 이용한 트래커들이 많지만, VOT 챌린지에서 EAO 점수가 높은 트래커 위주로 제가 리뷰한 논문을 정리하였습니다. (간단한 모델 아키텍쳐와 특징이나 장점, 단점, 구성을 정리하려고 만든 글입니다. 더 사제한 내용을 보시려면 논문리뷰 포스팅 글을 참고해주세요.) Transformer최근에는 트랜스포머를 사용하는 여러 추적기가 도입되었다.트랜스포머는 일반적으로 target object를 localize & bounding box를 regression 위해 discriminative features를 예측하는 데 사용된다. 인코더: training features 처리디코더: cross-attention layers를 사용하여 training and t..

Bias란 ?Bias타겟과 예측값이 얼마나 멀리 떨어져 있는지 ?Bias⬆ ➡ 데이터로부터 target과의 연관성을 잘 찾아내지 못하는 과소적합 (Underfitting) 문제 발생 Variance예측값들이 얼마나 멀리 퍼져있는지 ?데이터의 사소한 노이즈나 랜덤한 부분까지 민감하게 고려하는 과적합 (Overfitting) 문제 발생Bias를 학습 알고리즘의 잘못된 가정에 의하여 발생하는 오차라고도 하는데잘못된 가정에 의하여 데이터에서 중요한 부분을 놓치고 있다는 의미  💡 우리가 사용하는 ML/DL은 아직 특정 상황에 맞춰 개발된 경우가 대부분이므로, 그 특정 상황에 잘 맞는 일반적인 가정이 있다면 성능을 높일 수 있지 않을까? 하면서 개념이 바로 Inductive Bias     Inductive B..

glob특정 디렉토리에 있는 파일들을 하나씩 읽을 때해당 디렉토리의 파일명을 리스트로 받아와야 하고 이때 glob 사용filelist = glob.glob(os.path.join(root, "trainA") + "/*.*")for file in filelist: pass파일명을 리스트로 받은 후에 다양한 옵션을 사용해서 정렬 변경 가능# 파일명filelist = sorted(glob.glob(os.path.join(root, "trainA") + "/*.*")) # 파일 생성일filelist = sorted(glob.glob(os.path.join(root, "trainA") + "/*.*"), key=os.path.getctime) # 파일 최근 접근일filelist = sorted(glob.g..

✨ 계속 업데이트 예정📚 개념데이터 특징, 분석의 결과, 현재 상태 등 다양한 분석을 위해 시각화 하는 방법 중 하나이것 외에도 여러가지 시각화 라이브러리 있음    🔎 불러오기from matplotlib import pyplot as plt    💡 다양한 기능들plt.figure( )그래프의 틀을 담당figsize = (너비, 높이)로 전체 표의 사이즈 조절 가능plt.figure(figsize = (10, 5))  plt.plot( )리스트나 넘파이 배열을 모두 2차원 그래프로 표현추가적인 함수를 통해 그래프를 꾸며준다.plot(x변수, y변수, ...)로 표현하면 (x, y)에 해당하는 그패르르 그려준다.plot(y변수, ..._)로 표현하면 x변수는 0, 1, 2...의 정수가 자동으로 들..

선형 회귀식개념nn.Linear가 하나 있는 모델선형식은 모든 데이터를 직선으로 예측하기 때문에 학습이 매우 빠르다는 장점이 있지만, 데이터 내 변수들은 일반적으로 비선형 관계를 갖기 때문에 선형 모델을 가지고 예측하는 것은 한계  코드nn.Linear(N, M, bias = True) # N : 입력변수의 개수, M : 출력 변수의 개수    다층 신경망(Multi-layer Perceptron : MLP)개념nn.Linear( )을 줄지어 여러 층으로 구성된 깊은 신경망  코드🎀 __init__ :  필요한 변수들을 정의⚠ torch.nn의 모듈(nn.Module)을 사용하기 위해서 반드시 super().__init__()을 해주어야 한다.super() : 상속받은 부모클래스를 의미한다. 부모 클래..

🔎 텐서 합치기torch.catconcatenate 해주는 함수로써 concatenate하고자 하는 차원을 증가시킨다. (단, 차원의 수는 유지)concatenate하고자 하는 차원을 지정해주면 그 차원으로 두 텐서의 차원을 더한 값으로 변경dimension 지정해주지 않으면 default=0으로 설정(예를 들어) 10x2, 10x2인 두 텐서가 있을 때, cat 기준이 0이면 20x2, 1이면 10x4import torchbatch_size, N, K = 3, 10, 256x = torch.rand(batch_size, N, K) # [M, N, K]y = torch.rand(batch_size, N, K) # [M, N, K]output1 = torch.cat([x,y], dim=1) #[M, N+..

계속 업데이트 예정 ✨ 🔎 모듈nn.Parameter>>> self.cls_token = nn.Parameter(torch.randn(1, latent_vec_dim))>>> self.pos_embedding = nn.Parameter(torch.randn(1, num_patches+1, latent_vec_dim))모델을 업데이트 할 때 같이 업데이트 되는 변수사용자로부터 직접 받는 값은 아니지만 학습이 가능해야 하는 변수가 필요하다면 위와 같이 파라미터로 정의ViT에서 cls_token, pos_embedding은 외부 변수가 아니지만 latent_vec_dim, num_patches를 이용해서 만들어 사용해야 한다.      🔎 함수torch.repeat( ) vs torch.expand( )1..

Joint Feature Learning and Relation Modeling for Tracking: A One-Stream FrameworkBotao Ye 1 , 2 , Hong Chang 1 , 2 , Bingpeng Ma 2 , Shiguang Shan 1 , 2 , and Xilin Chen 1 , 2 Joint Feature Learning and Relation Modeling for Tracking: A One-Stream FrameworkThe current popular two-stream, two-stage tracking framework extracts the template and the search region features separately and then perform..

HiFT : Hierarchical Feature Transformer for Aerial Tracking Ziang Cao† , Changhong Fu†,*, Junjie Ye† , Bowen Li† , and Yiming Li‡ HiFT: Hierarchical Feature Transformer for Aerial Tracking Most existing Siamese-based tracking methods execute the classification and regression of the target object based on the similarity maps. However, they either employ a single map from the last convolutional la..