공대생 도전 일지

목표 - 대표적 NLU Task의 요약 작업에 대해 이해할 수 있다. 추상요약 - 새로운 문장을 생성하므로 좀 더 난이도 있는 방식으로 볼 수 있다. 추상 문장으로 요약 -> 정보의 압축이 필요하다 단일 문서를 다중문서에 여러번 쓰게 되면 실패할 확률이 있다! 반면, 특정 내용에 대해 요청하는 query가 들어온 경우에, 해당 query의 요구나 질문에 집중하여 요약문을 생성하는 방법을 query-focused 요약 방법이라 한다. 예를 들어, 사용자가 원하는 정보를 얻기 위해서 문서들을 탐색할 때 문서의 전반적인 내용 보다는 특정반 정보나 문장에 대해서만 혹은 정답을 얻기를 원할 확률이 높다. - 개인화 요약 방식과 직접적으로 연관되어 있다. 이렇듯 정보적 요약의 목적이 문서의 핵심 정보를 추출하는 것..

목표 - 대표적인 NLU task의 자연어 추론 작업에 대해 이해할 수 있다. 유사도를 통해서 어떻게 저 3개를 결정할 수 있지...? 말이 안되는 말들은 벡터가 반대로 가나...? 백터 기반의 의미 공간을 만들기 위해 큰 언어 코퍼스를 사용하여 언어의 유사도 구분 가능 -> 통계기반 프레임 - 규칙 기반의 무엇인가 통계 기반 - 어느 정도의 길이가 있어야 된다. 시소러스 - 단어 사전 transformation rule - 예외를 잘 규정해놓기! 구문 분석을 통한 트리 구조 다양한 기법 - 인간이 만들어 놓은 통계 백터를 압축하기 시작했다. 확실의 정도 - 사람의 주관이 들어가 있다. 자연어 이해 관점에서의 이의제기 -> 문제 해결, 데이터 수집에 대한 좋은 방향 제시

이번에 주어진 이미지 입니다. 과하게 어두워보이죠 히스토그램을 확인해보니 절반이 잘려있습니다. 이제 이 이미지를 잘 복원하여 주관적 화질 평가를 높여봅시다. 히스토그램을 확인해보면 절반만에 다 사용했습니다. 이 픽셀 사용을 아래와 같게 만들어 줄 것입니다. // get Histogram for (int j = 0; j 255 ? 255 : (y[j * width + i] < 0 ? 0 : y[j * width + i]))]++; } } for (int i = 0; i < 255; i++) { histogram[i + 1] += hist..

2차원 특징 공간 상에서 다음과 같이 2개의 부류 (y = 1, y = 0)에 속하는 6개의 데이터들이 주어졌을 때, 이 데이터들을 학습 데이터로 하여 임의의 데이터들을 2개의 부류로 분류하는 분류기를 설계하려고 한다. 다음 질문에 답하시오 ( (1) 파라미터의 초기값을 으로 하였을 때, 로지스틱 회귀의 hypothesis 함수를 수식으로 표현하고, 다음 표의 빈칸을 채워 완성하시오: ( (2) 다음 표의 빈칸을 채워 완성시키고, 비용 함수 의 값을 계산 하시오: ( (3) 학습 상수를 로 하고, 경사하강법을 이용하여 파라미터를 한 사이클 업데이트 시키고, 업데이트 된 파라미터 벡터 값을 구하시오. 이거에 대한 자료 가져오기! 그럼 이제 이전 값 가지고 와서 계산 확실히 했는지 확인 마이너스 붙이는 것 ..

3.3.3 LiDAR 센서 기반 차선 검출 차선은 차량의 안전한 주행을 보장하기 위해 악조건 하에서도 높은 반사성을 유지하도록 설계되었다. LiDAR 센서는 이러한 차선의 반사도를 이용하여, 높은 반사율을 가진 물체를 식별함으로써 차선의 위치를 정확하게 예측할 수 있다. 이 과정에서 LiDAR의 강도 데이터가 핵심적으로 활용된다. Lidar 차선 추출 과정 3.3.3.1 Intensity-based histogram 추출 LiDAR로부터 수집된 포인트 클라우드 데이터에서, y축을 기준으로 일정 구간으로 분할하여 각 구간별 강도 (intensity)의 합을 계산한다. 이 때, 강도의 합이 가장 높은 구간을 차선의 위치로 예측한다. 차선 폭의 기준에 부합하는 값이 검출되면 해당 위치를 차선으로 확정한다. 만..