[Computer Vision] Two Image Feature Matching

두 이미지간의 특징점을 매칭하기위해서는 distance function을 정의해준 후, 가까운 것을 매칭해주면된다. 하지만, 가까운 것이 여러개 나올 수도 있고, 아래에 오른쪽 사진과 같이 동일한 형상이 반복될때는 잘못 매칭될 수 있다. 최종적으로 특징점을 찾아 매칭하는 목적은 image stiching을 해보기 위함이므로, 두 이미지간의 모든 특징점을 빠짐없이 찾을 필요는 없다. 확실한 것만 고르면 된다. 따라서 Nearest Neighbor search, Ratio Test, Bi-directional consistency test와 같은 방식을 사용해 아닐거 같은 것은 제거한다. 본 글에서는 두 사진의 특징점을 찾은 후, 어떻게 Feature Matching을 수행하는지 알아본다. SIFT를..

• format_list_bulleted Robot/Computer Vision
• · 2025. 10. 9.

[컴퓨터비전] SIFT(Scale Invariant Feature Transform) 알고리즘 설명 및 구현

Scale-Invariant Feature Transform (SIFT)들어가며: SIFT가 필요한 이유SIFT는 Scale-Invariant Feature Transform의 약자로, 이미지에서 크기 변화에 강인한 특징점을 찾고 기술하는 알고리즘입니다. Harris corner detection을 수행할 때 필터의 scale에 따라 corner 검출 여부가 달라지는 문제가 있었는데요, SIFT는 바로 이러한 문제를 해결하기 위해 David Lowe가 1999년에 제안한 알고리즘입니다.SIFT 알고리즘의 4단계 프로세스1단계: Scale-space Extrema Detection우리가 어떤 장면을 볼 때는 전체적인 틀과 세부적인 내용을 동시에 파악합니다. 성공적인 컴퓨터 비전을 위해서는 이런 다중 스케일..

• format_list_bulleted Robot/Computer Vision
• · 2025. 9. 27.

[강화학습] DDPG 알고리즘을 구현해보자.

DDPG는 Deep Deterministic Policy Gradient의 약자로 Stochastic Policy를 사용하지않고, Deterministic policy를 사용한 것이 특징입니다. DDPG는 DQN의 구조와 Deterministic policy를 사용함으로써 continuous action space를 가지는 에이전트도 학습할 수 있는 알고리즘입니다.그동안은 Stochastic policy는 상태가 정해지면 액션이 확률값에 의해 결정되지만, Deterministic policy는 상태가 정해지면 액션은 딱 하나로 정해집니다. 이런 다른 특징의 정책을 사용하기때문에 gradient를 계산하는 식도 달라집니다.자세한 증명과정은 오승상 교수님의 강의를 참고해주시고, 저는 Actor, Critic..

• format_list_bulleted Robot/Reinforcement Learning
• · 2024. 2. 13.

[강화학습] DQN 알고리즘을 구현해보자.

DQN 알고리즘은 Q-learning을 심층신경망을 이용해 근사하는 방식입니다. 하지만, 심층신경망만을 이용한다고해서 성능이 좋지는 않아서 target network와 experience replay를 사용해 뛰어난 성능을 높였습니다. $$Q(S_t, A_t) \leftarrow Q(S_t, A_t) + \alpha [R_{t+1} + \gamma \max_{a} Q(S_{t+1}, a) - Q(S_t, A_t)] $$target network와 experience replay를 사용하지않은 DQN을 naive DQN이라고합니다.두 기술을 사용하지 않았을 시에는 target이 계속 움직여 학습이 불안정하다는 문제와 temporal correlation의 문제가 있었습니다. 계속 움직여서 생기는 문제는 t..

• format_list_bulleted Robot/Reinforcement Learning
• · 2023. 12. 14.

Pytorch 자동미분 팁(with. 내가 겪었던 오류들)

Tip1. 파라미터가 theta인 신경망으로 구한 값들에 대해서 업데이트를 할 때는 theta에 대해서 업데이트 해주어야한다. RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.FloatTensor [128, 2]], which is output 0 of AsStridedBackward0, is at version 2; expected version 1 instead. Hint: the backtrace further above shows the operation that failed to compute its gradient. The variab..

• format_list_bulleted 카테고리 없음
• · 2023. 12. 13.

[강화학습] REINFORCE 알고리즘 설명 및 구현

안녕하세요. 오늘은 강화학습의 Policy Gradient 알고리즘 중 가장 기초가 되는 알고리즘인 REINFORCE에 대해서 공부해보겠습니다.이 글을 통해 REINFORCE 알고리즘의 원리와 어떻게 구현하는지를 아실 수 있습니다. 구현 코드는 Gymansium 공식문서에 있는 예제코드를 초심자들이 쉽게 접근할 수 있도록 수정하였습니다.재미있는 사실은 REINFROCE는 " ‘RE’ward ‘I’ncrement ‘N’on-negative ‘F’actor times ‘O’ffset ‘R’einforcement times ‘C’haracteristic ‘E’ligibility "의 줄임말이라고 합니다. 심층강화학습에서는 크게 두 가지 방식의 알고리즘이 있습니다.1. Value based (ex. DQN)2...

• format_list_bulleted Robot/Reinforcement Learning
• · 2023. 12. 13.