ML
DIP10.1~10.2 Edge-based Segmentation (2)
0. 서론 이전 포스트에서는 기본적인 Spatial filter를 적용하여 gradient를 얻고, 그 gradient를 바탕으로 직교하는 edge를 얻는 방법에 대해서 배웠었다. 이번 포스트에서는 기존 방식의 한계를 극복한 edge detector에 대해서 알아보자. https://do-my-best.tistory.com/entry/DIP10 DIP10.1~10.2 Edge-based Segmentation (1) 1. 목표와 키포인트 1-1. 핵심 intensity의 discontinuity와 similarity가 핵심이다. Edge처럼 급변하는 Intensity를 기준으로 이미지의 Partition을 나눈다던가, 일정 기준으로 비슷한 partition을 나누는게 목표.. do-my-best.tist..
Graph Neural Network와 Vision 관점에서의 GNN
Why Graph? 관계, 상호작용 등 추상적인 개념을 시각화 하고 다루는데 적합하다 복잡한 문제를 간단한 표현으로 단순화 할 수 있다. Why GNN BFS, DFS, Dijkstra 등 classic한 그래프 알고리즘들을 사용하기 위해서는 입력그래프에 대한 사전 지식이 필요하다. 따라서 그래프의 정보를 다루는 그래프 레벨에서의 예측이 불가능하다. -> 그래프에 직접 적용하여 그래프 레벨 예측을 할 수 있는 GNN 필요성 대두 // 입력 그래프에 대한 사전 지식? : // 그래프 레벨 예측? : GNN 오버뷰 입력(모든 점들과 그 점들의 상태) -> Neural network -> 출력(Prediction, Node embedding) 입력 점은 연결에 의해 정의된다 추론 NLP에서 Recurrent하..