본문 바로가기

전체 글

[Paper Review] Caption Re-ranking Evaluation Using Ensembled CLIP and Consensus Scores, CVPR 2024 Workshop
Paper Review/Multimodal Learning 2024. 11. 8. [Paper Review] Caption Re-ranking Evaluation Using Ensembled CLIP and Consensus Scores, CVPR 2024 Workshop 이미지에 대한 캡션 평가 및 순위를 매기는 new framework: ECO(Ensembled Clip score and cOnsensus score)  주어진 이미지에 대해 후보 캡션들 중 가장 정확하고 포괄적인 캡션을 식별하는 것을 목표로 하는 대회→ 이미지를 정확하고 철저하게 설명할 수 있는 캡션 선택 NICE 데이터셋20,000개 이미지각 이미지에 대한 60개 후보 캡션→ 제로샷 평가 데이터셋평가스코어CIDEr : 주어진 캡션이 여러 참조 캡션과 얼마나 일치하는가      캡션의 단어 조합의 가중치를 계산해 중요 단어가 얼마나 잘 표현되었는지 측정SPICE : 캡션의 의미론적 구조 분석, 평가      단순한 단어 일치보다 객체, 관계, 속성 등 이미지의 의미적 내용이 얼마나 잘 묘사되었는가MET..
[Paper Review] WAVENET: A GENERATIVE MODEL FOR RAW AUDIO, 2016 arXiv
Paper Review/Generative models 2024. 11. 1. [Paper Review] WAVENET: A GENERATIVE MODEL FOR RAW AUDIO, 2016 arXiv WAVENET: A GENERATIVE MODEL FOR RAW AUDIO 목차AbstractIntroduction    WaveNet    Dilated Causal Convolutions    Softmax distributions    Gated Activation Units    Conditional WavenetsExperiments    다중 화자 음성 생성    TTS : 텍스트-음성 변환    음악 오디오 모델링Speech RecognitionConclusion Abstractraw audio waveforms 생성을 위한 deep neural networkfully probabilisticautoregressive⇒ 각 오디오 샘플의 예측 분포는 이전 모든 샘플에 조건화가 된다그럼에도 초..
[Paper Review] Inpaint-Anything, 2023 CVPR
Paper Review/Generative models 2024. 10. 25. [Paper Review] Inpaint-Anything, 2023 CVPR 💡 현대 이미지 인페인팅 시스템의 한계 : mask selecting, hole filling따라서 SAM을 기반으로 하여 마스크가 필요 없는 이미지 인페인팅의 첫 시도→ clicking and filling : IA- Remove Anything - Fill Anything - Replace Anything https://github.com/geekyutao/Inpaint-Anything 목차Motivation & observation    Why do we need Inpaint Anything?    What Inpaint Anything can do?Methodology    Preliminary    Inpaint Anything    PracticeExperienceConclusion Mot..
제품전략
강의/SCM&물류 2024. 10. 22. 제품전략 목차    예측적, 반응적 비즈니스 모델    밀기, 끌기, 밀기-끌기 전략    제품 전략과 밀기-끌기 전략    지연전략 : Postponement    지연전략 구현  예측적, 반응적 비즈니스 모델    밀기, 끌기, 밀기-끌기 전략push-based : 예측적 비즈니스 모델 기반 - 수요 예측에 기반하여미리 재고를 둠pull-based : 반응적 비즈니스 모델 기반 - 고객 주문 기반 생산push-pull based : 현재 대부분의 방식  push식 공급사슬- 생산, 유통의 의사결정은 장기예측을 기반으로 이루어짐- 제조업체는 소매업체 기반으로 수요를 예측함- 시장 여건의 대응에 긴 시간 소요단점 : 신속한 대응 불가, 공급사슬 각 단계별 안전재고 필요로 인한 과잉재고, 고객서비스 수준 저하 - ..
공급사슬전략
강의/SCM&물류 2024. 10. 22. 공급사슬전략 목차     경쟁전략과 공급사슬전략    제품의 특성과 공급사슬전략    수요/공급의 불확실성    불확실성에 따른 공급사슬 전략 포지셔닝    포지셔닝에 영향을 주는 다른 요인들 경쟁전략과 공급사슬전략기업의 목표고객이 낮은 가격을 원한다?기업은 규모 경제 등의 비용절감을 사용한 효율적 공급사슬 구축 기업의 고객의 낮은 가격보다 신속한 신제품 출시, 고객화를 원한다?기업은 반응적인 공급사슬 구축을 통해 경쟁력을 확보할 것   공급사슬전략의 전략적 적합성 달성을 위해서는- 목표시장의 특성(고객, 공급사슬의 불확실정도)을 파악해야함- 기업의 공급사슬 능력과 선택할 수 있는 공급사슬 대안을 이해해야함- 경쟁전략과 전략적 적합성을 가진 최적의 공급사슬 전략을 채택해야함  전략적 적합성 영역: 최적의 공급사슬 전..
정보의 가치 : 공급사슬 통합
강의/SCM&물류 2024. 10. 22. 정보의 가치 : 공급사슬 통합 채찍 효과: 공급사슬의 상류로 갈수록 주문량의 변동이 증가함 -> 더 많은 재고 필요  리드타임이 길수록 매장은 수요 변동에 빠르게 대처하지 못하고 부재고와 과잉재고가 반복되며 이가 채찍 효과를 발생시킨다  공급사슬 주체들은 서로의 협력을 통해 공급사슬 전체의 총 이익을 증대시킬 수 있다혹, 협력의 결여로 인해 공급사슬 주체들이 각자의 이익만을 극대화하기 위해 노력한다면 결과적으로 공급사슬 총 이익이 감소할 수 있음ex) 공급사슬의 서로 다른 단계들이 서로 상충되는 목표를 가지고 있을 때 / 다른 단계로의 정보 흐름의 지연, 왜곡 발생 시  채찍 효과의 원인- 전통적 수요 예측 : 각자 주문량에 의존하여 독립적 수요 예측 != 실제 시장 수요가 아님 : 많은 왜곡과 변동 존재- 가격 변동 : 낮은 가격일..
SimpleLinearReg
강의/선형통계분석 2024. 10. 2. SimpleLinearReg 단순선형회귀반응변수 Y와 하나의 예측변수 X 사이의 관계 연구종속변수                   독립변수두 변수 사이의 선형관계에 대한 방향과 강도 측정과 유사하다. [공분산-상관계수]Y와 X의 연관관계 direction & strength 측정covariance은 실제 y값과 예측 y값의 편차들과 실제 x값과 예측 x값의 편차들의 곱을 모두 더한 후 n-1을 나누어 구한다공분산이 0보다 크면 x와 y 사이에 양의 관계가 있음을 의미한다공분산은 측정 단위에 따라 크게 변화하기 때문에 관계성의 강도에 대한 정보는 없다 [공분산-상관계수]Y와 X의 연관관계 direction & strength 측정데이터를 standardization하여 공분산의 단점을 없앤 것이 상관계수 correlation coef..
윈도우 10 RTX 4090 쿠다 환경설정
ETC.. 2024. 9. 21. 윈도우 10 RTX 4090 쿠다 환경설정 ------------아래 티스토리를 전체적으로 참고하며 차근차근 설정을 진행해보았다https://hyunhp.tistory.com/740 [CUDA] Windows 환경 CUDA 설치 (Python, Pytorch)안녕하세요, HELLO GPU 환경에서 딥러닝 모델을 훈련, 추론하기 위해서는 GPU가 설치되어 있어야 하며, 별도로 GPU 환경을 설정해줘야 합니다. 이번 포스팅에서는 NVIDIA에서 만든 병렬 구조 GPU 환경인hyunhp.tistory.com  진행 과정에서 내가 겪었던 문제들 까지 함께 적어보았다. 파란 글씨들을 주의하며 미리 대처한다면 큰 문제 없이도 window 환경에서의 지피유를 사용할 수 있을 것이라고 생각한다 :) ----------------------------------..
Generative Adversarial Nets : GAN
Paper Review/Generative models 2024. 9. 16. Generative Adversarial Nets : GAN adversarial process를 통한 생성형 모델의 새로운 측정 프레임워크를 제안데이터의 분포를 학습하는 generative model G와 생성된 데이터샘플의 확률을 측정하는 discriminative model D Adversarial인 이유 : G는 D가 mistake을 많이 하도록 확률을 학습하기 때문                                                Minimax two-player framework 이상점은 G가 훈련 데이터의 분포를 잘 학습했고 여기서 D의 T/F 판별 확률이 1/2인 것이다.이 점이 더 이상 개선을 할 것이 없는 유일한 해가 된다 G와 D가 다층 퍼셉트론(MLP, Multilayer Perceptron)으로 정의되는 경우, 시스템 전체..

티스토리툴바