코딩스뮤:)

파이썬으로 구현하는 덱(Deque)

덱(Deque)이란? double-ended queue로, 큐의 앞과 뒤 모두에서 삽입 및 삭제가 가능한 큐를 의미한다. 덱은 원형 큐(Circular Queue)를 확장하면 손쉽게 구현할 수 있다. 원형 큐 구현에 관해서는 해당 게시글을 참고하시면 좋습니다 https://codingsmu.tistory.com/123 파이썬으로 구현하는 원형 큐(Circular Queue) 원형 큐(Circular Queue)란? 배열로 구현 된 선형 큐(Linear Queue)의 경우 데이터의 삽입/삭제 시 데이터들을 앞으로/뒤로 당겨주는 과정이 필요해 최악의 경우 O(n)의 시간복잡도를 가지게 된다. 이러한 codingsmu.tistory.com 0. 멤버 변수&초기화 먼저 덱 클래스의 멤버 변수(member var..

파이썬으로 구현하는 원형 큐(Circular Queue)

원형 큐(Circular Queue)란? 배열로 구현 된 선형 큐(Linear Queue)의 경우 데이터의 삽입/삭제 시 데이터들을 앞으로/뒤로 당겨주는 과정이 필요해 최악의 경우 O(n)의 시간복잡도를 가지게 된다. 이러한 선형 큐의 단점을 극복한 구조가 원형 큐이다 0. 멤버 변수&초기화 먼저 원형 큐 클래스의 멤버 변수(member variable)화 초기화하는 과정을 살펴보자 class CircleQueue: rear = 0 front = 0 MAX_SIZE = 100 queue = list() def __init__(self): self.rear = 0 self.front = 0 self.queue = [0 for i in range(self.MAXSIZE)] 1. 공백 상태 원형큐가 비워져 있..

[패턴인식] 매칭

Matching 목차 0. PREVIEW 1. 매칭의 기초 2. 기하 정렬과 변환 추정 3. 웹과 모바일 응용 0. PREVIEW 매칭 어떤 대상을 다른 것과 비교하여 같은 것인지 알아내는 과정 여러가지 문제를 해결하는 열쇠(물체인식, 자세 추정, 스테레오, 증강 현실 등) 생각해 볼 점 거짓 긍정(False Positive)을 어떻게 찾아 배제할 것인가? 매칭 속도 두 영상의 특징점 개수가 m,n이고 특징 벡터의 차원이 d라면, 두 영상을 매칭하는데 $\theta(mnd)$시간 소요 실시간 처리가 가능할까? 1. 매칭의 기초 1.1 거리 척도 유클리디안 거리 vs. 마할라노비스 거리 유클리디안 거리(Euclidean Distance) 두 점 사이의 거리를 계산할 때 흔히 쓰는 방법으로, 이 거리에 대응..

[패턴인식] 특징 기술(2): 특징 기술자, 영역 기술자

Feature Describe 목차 0. PREVIEW 1. 특징 기술자의 조건 2. 관심점을 위한 기술자 3. 영역 기술자 4. 텍스쳐 5. 주성분 분석 6. 얼굴 인식: 고유 얼굴 는 이전 게시글을 참고해주세요 https://codingsmu.tistory.com/120 [패턴인식] 특징 기술(1): 특징 기술자, 영역 기술자 codingsmu.tistory.com 4. 텍스쳐 텍스처(Texture)란? 일정한 패턴의 반복 구조적 방법과 통계적 방법 텍스처(Texture) 특징 활용 위조 얼굴 검출(face anti-spoofing) 분야 4.1 전역 기술자 에지 기반 명암 히스토그램 기반 한계 지역적인 정보는 반영하지 못함 4.2 지역 관계 기술자 원리 화소 사이의 이웃 관계를 규정하고, 그들이 형..

[패턴인식] 특징 기술(1): 특징 기술자, 영역 기술자

Feature Describe 목차 0. PREVIEW 1. 특징 기술자의 조건 2. 관심점을 위한 기술자 3. 영역 기술자 4. 텍스쳐 5. 주성분 분석 6. 얼굴 인식: 고유 얼굴 0. PREVIEW 앞 절에서 공부한 특징 검출 단계 에지, 지역특징,영역 매칭에 사용하기에 턱없이 빈약한 정보 풍부한 정보를 어떻게 추출할까? 특징 기술 단계는 검출된 특징의 내부 또는 주위를 들여다 보고 풍부한 정보를 추출 특징의 성질을 기술(Describe)해주므로 기술자(Descriptor), 또는 여러 개의 값으로 구성된 벡터 형태이므로 특징 벡터(Feature Vector)라고 부름 1. 특징 기술자의 조건 특징 기술자(Feature Descriptor) 특징을 일련의 숫자(벡토)로 표현한 것 특징 기술자를 통해..

[패턴인식] 영상분할(2): 민시프트, 대화식 물체 분할

Image Segmentation 목차 0. PREVIEW 1. 영상 분할의 원리 2. 전통적 방법 3. 민시프트 4. 대화식 물체 분할 5. 알고리즘 선택 은 이전 게시글을 참고해주세요 https://codingsmu.tistory.com/117 [패턴인식] 영상분할(1): 영상 분할의 원리, 전통적 방 codingsmu.tistory.com 3. 민시프트 모드 탐색 샘플이 주어진 경우, 어떤 점이 속한 모드(봉우리를 찾는 문제) y의 모드는? 3.1 군집화 파젠 창(Parzen Window)을 이용한 확률분포 추정 h는 커널의 폭(클수록 많은 샘플이 창 안으로 들어와 매끄러운 함수가 생성됨) 차원의 저주 발생 차원이 커질수록 기하급수적으로 메모리와 계산 시간 증가 명시적으로 확률분포를 추정하려는 시도..

[패턴인식] 영상분할(1): 영상 분할의 원리, 전통적 방법

Image Segmentation 목차 0. PREVIEW 1. 영상 분할의 원리 2. 전통적 방법 3. 민시프트 4. 대화식 물체 분할 5. 알고리즘 선택 0. PREVIEW 사람 뇌의 영상 분할 사람의 뇌는 다음과 같이 영상 분할 과정이 일어남 상자위에 쌓여있는 형형색색의 파프리카라고 해석하는 과정 동시에 상자, 파프리카, 가격표와 같이 의미 있는 영역으로 분할 즉, 분할과 인식이 동시에 일어남 컴퓨터 비전 현재는 분할 후 인식하는 순차 처리 동시 수행을 추구하는 연구도 있으나 초보 단계 가장 어려운 문제 중 하나 1. 영상 분할의 원리 분할의 정의 생각해 볼 점 적절한 분할이란? 저분할과 과분할 사람 vs. 컴퓨터 사람은 선택적 주의집중과 능동비전 기능을 가지며, 분할 과정에서 고급 지식 사용; 물..

[패턴인식] 지역 특징 검출(2): 스케일에 불변한 특징점 검출

Local Feature 목차 0. Preview 1. 지역 특징 검출의 기초 2. 이동과 회전에 불편한 특징점 검출 3. 위치 찾기 알고리즘 4. 스케일에 불변한 특징점 검출 4.1 스케일 공간 4.2 해리스 라플라스 특징 검출 4.3 SIFT 검출 4.4 SURF 검출 4.5 지역 특징 검출 알고리즘의 특성 비교 은 이전 게시글을 참고해주세요 https://codingsmu.tistory.com/107?category=983612 [패턴인식] 지역 특징 검출 Local Feature 목차 0. Preview 1. 지역 특징 검출의 기초 2. 이동과 회전에 불편한 특징점 검출 3. 위치 찾기 알고리즘 4. 스케일에 불변한 특징점 검출 0. Preview 대응점 찾기 같은 장면을 다른 시점에서 codin..