[Uncertainty-aware Cross-modal Transformer Network for Indoor RGB-D Semantic Segmentation] [요약] RGB-D Semantic Segmentation에서 1)depth sensor data에서 Feature를 추출하는 방법과 2)두 개의 양식에서 추출된 feature들을 효...

[Spatial information Guided convolutionalNetwork] Abstract S-Conv is competent to infer the sampling offset of the convolution kernel guided by the 3D spatial information, helping the convoluti...

[Two-Stage Cascaded Decoder for Semantic Segmentation of RGB-D Images] Cascaded Decoder는 계단식, 즉 단계적인 Decoder를 의미하는 것이라고 생각했다 [구글해석] RGB 및 깊이 정보를 활용하면 시맨틱 분할의 성능을 높일 수 있습니다. 그러나 RGB 영상과 ...

특징 Multi-Scale Feature를 output으로 하는 계층적인 구조의 Transformer Encoder사용 ⇒ ViT와 다르게 Positional Encoding을 사용하지 않는다. 복잡한 Decoder를 사용하지 않고, MLP로만 이루어진 MLP decoder를 사용 ⇒ Encoder에서 얻은 Multi-Scale ...

1. Introduction NLP에서 Transformer의 성공에 영향을 받아 Computer Vision분야에서 Self-Attention을 적용한 CNN architecture를 개발하였지만 하드웨어의 가속장치와 맞지 않아 ResNet에서 가장 성능이 잘나왔다. ViT는 standard Transformer를 image에 바로 적용하...

사전 지식 1) 기존 Seq2Seq모델들의 한계점 위 사진처럼 모든 문장의 정보를 context vector “v”에 담고 있기 때문에 병목현상이 발생한다. 디코더가 context vector를 매번 참고할 수 있도록 만들었지만 “v”는 여전히 고정되어 병목현상이 발생한다. 2) Seq2Seq with Attention Deco...

※ SW expert 아카데미의 문제를 무단 복제하는 것을 금지합니다. 출처: SW Expert Academy 나의 풀이 T = int(input()) for test_case in range(1, T + 1): N=int(input()) if N//3: ans=N//3 else: ans=0 ...

※ SW Expert 아카데미의 문제를 무단 복제하는 것을 금지합니다. 출처: SW Expert Academy 나의 풀이 T = int(input()) for test_case in range(1, T + 1): ans_list=['']*15 for _ in range(5): I=input().strip() ...

※ SW Expert 아카데미의 문제를 무단 복제하는 것을 금지합니다. 출처: SW Expert Academy 나의 풀이 T = int(input()) for test_case in range(1, T + 1): C_list=input() C_dict={'S':[],'D':[],'H':[],'C':[]} ans_dict...

※ SW Expert Academy의 문제를 무단 복제하는 것을 금지합니다. 출처: SW Expert Academy 나의 풀이 T = int(input()) for test_case in range(1, T + 1): N,K=map(int,input().split()) do_list=list(map(int,input().split...