Pandas
쓰는 자료구조 : series와 Data Frame series: values : 값 확인 index : 인덱스 확인(start - 시작점, stop - 마지막idx, step - 나아가는 단계) obj = pd.Series([1, 2, 3, 5]) obj2 = pd.Series([1,2,3,5], index = ['d','b','a','c']) #인덱스 바꾸기 가능 #딕셔너리 자료형을 시리즈로 obj3 = pd.Series(dic) #인덱스 변경 obj3.index = ['A','B','C','D'] 데이터프레임: data = {'A': [...], 'B' = [...],, ....} df= pd.DataFrame(data) #열방향: columns #각 인덱스에 대한 이름 설정 df.index.nam..
비전 10 ) 모션
동적 비전은, 2차원 영상 공간에 시간축이 더해진 것. 즉 f(y,x,t)는, t라는 순가의 (y,x)화소의 명암값. 동적비전은, 장면에 담긴 물체에 대한 정보를 알아내는 것이 목표. 이엔 물체의 부류, 움직이는 속도와 방향, 물체가 하는 일에 관한 행위인식이다. (실시간 3차원 장면 재구성해 시청자에게 전달하는 시범시스템 ohta2007, 서버컴퓨터에 실시간 영상 보내면 이를 분석해 3차원으로 재구성한 후 TV로 전송) 동적비전에 대한 연구 난이도는 물체의 3차원 모양과 움직임 재구성(3차원 스포츠 중계) - 장면 이해(항해로봇, 자율주행 자동차) - 비디오 검색(방송 콘텐츠 관리) - 물체동작 인식(게임, 감시) - 물체 추적(감시) - 물체 개수 파악(교통량, 인파 측정 혹은 현미경 영상의 세균 밀..
비전 9 ) 인식
PASCAL VOL, ImageNet ILSVRC, ICDAR RRC 위 세 가지는 이미지 검출 및 인식 관련 db이자 대회. PASCAL VOL의 경우, 평균 정확률을 정의하는여, 재현율 r이 0, 0.1,, 1.0인 지점(총 11군데)에서 정확률의 평균 계산. r에서의 정확률은 그 지점 이후의 최댓값을 취함으로써, 보다 안정적 적도가 되도록 함(Eeveringham2010). 평균 정확률 = 1/11 sigma(r은 {0, 0.1,...,1}의 원소) {p_interp(r), 이때 p_interp(r) = maxp(r_hat), hat_r 물체 분할 -> 이를 3차원 모델과 매칭 기하 정렬은 7절에 존재함. 하나의 물체에 대해 시점 일관성 이루는 매칭 쌍 집합 찾는 게 목표. 이젠, 인식이므로 물체가..
비전7 ) 매칭
6장은, 관심점이나 영역으로부터, d차원 공간의 한 점인 특징벡터 x를 추출하는 장. 예를 들어, SIFT기술자의 x는 128차원 공간의 점. 그렇다면 이 공간에 있는 두 점 a와 b를 매칭하려면? 이들이 얼마나 떨어져있는지 측정하는 거리 척도가 필요. 두 점은 각각 a=(a1, a2... a128)과 b=(b1, b2,....b128)이 된다. 이는 유클리디안 거리로 측정하는데, 이는 d_e(a,b) = ||a-b|| = sqrt(sigma(from i=1 to d) { (ai-bi)^2 } 로 표현 가능. 그러나 확률분포에서, 여러 점 중 어떤 것이 특정 점과 더 가까운지 비교하는 과정에서, 확률분포 상 발생할 확률이 크지만 특정 점과 먼 경우와, 발생할 확률이 작지만 특정 점과 가까운 경우를 비교하..
비전 6) 특징기술
SIFT 기술자: 추출한 특징인 "키포인트"는 (y, x, σ)의, 위치와 스케일 정보를 담는 것으로 표현한다. SIFT특징은, 여러 옥타브로 구성된 피라미드 구조에서 검출되며, 키포인트가 검출된 옥타브 σ와 옥타브 내의 스케일 σ0, 그 옥타브 영상에서의 위치 (r,c)가 뎜겨있다. 다음으로, 회전 변환을 고려하자. 회전이 발생하면 윈도우의 방향 역시 조절되어야 하며, 따라서 SIFT는 기술자를 추출하기 이전에 지배적인 방향(dominant oreinetation)을 찾는다. 이는, 키포인트를 중심으로 일정 크기의 윈도우를 씌우고, 윈도우 내의 화소집합에 대해 그레이디언트 방향 히스토그램을 구해 알아낸다. 이 때, 10도 간격으로 방향을 양자화해, 36개 칸을 가진 히스토그램을 사용한다. 가우시안을 씌..
비전 5) 영상 분할
전통 방법 임계화를 이용한 영역 분할 - 오츄 알고리즘: 어두운 배경에 밝은 물체의 경우, 이진화를 사용해 가능. 그러나 여러 물체가 서로 다른 밝기를 가졌다면 좋지 않다. 임계값을 두 개 사용하여, 화소를 세 그룹으로 나누면(임계값 두 개를 각 영역의 분산의 합을 최대화시키도록 설정), 효과적으로 명암 단계가 세 개일 때의 분할이 가능하다. 세 영역이 다를 수록 더 좋은 분할이므로, v_between은 클수록 좋다. 즉, w0과 w1, w2 세 부분이 많이 달라야 하므로, 분산의 최대치를 구해야 하며, 이를 위해 (t1, t2)의 쌍을 조사해야 한다. 먼저 t1 = 1로 설정하고 t2 = 2, 3, ... L-2에 대해 검사한다. 그런다음 t1 = 2로 설정하고 t2 = 3, 4, ... , L-2에 ..
비전 4) 지역특징 검출 (+ 코드)
모라벡 알고리즘 제곱합의 오차를 이용, 특징점으로 확률이 높은 픽셀엔 높은 값을, 낮은 픽셀엔 낮은 값을 부여 이중 최소값을 특징가능성값으로 판단 위의 이미지에서, b(5,3)을 조사한다 가정하고 제곱차합을 계산한다. 이때, 마스크는 3*3의 1로만 이뤄져있다. 오른쪽으로 한 화소만큼 이동시킨 S(0,1)의 값은 4이다. 이외의 a,b,c 세 지점에서 S(u,v)를 구하면 화소 b는, 에지는 세로방향인데 그 방향으로는 낮은값을 가지나, 에지와 수직인 가로방향은 크다. 화소 a는, 물체의 코너에 해당하며, 모든 방향에서 큰 값을 갖는다. 즉, 제곱차의 합은 어떤 점이 다른 곳과 얼마나 두드러지게 다른지 측정 물체의 코너는 두드러지게 다르기에, 이 S를 코너일 가능성으로 추정이 가능하다. 해리스 코너 모라벡..
