본 블로그 포스트에서 사용된 표, 이미지 및 기타 관련 자료는 해당 논문에서 발췌한 것입니다. 이 자료들은 논문의 내용을 요약하고 이해를 돕기 위한 참고용으로 제공됩니다. 또한, 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다.이 글을 읽기전에 먼저 읽어보세요: Auto Encoder 논문 Denosing Auto Encoder 논문 Convolution Auto Encoder 논문 VAE 논문">이 글을 읽기전에 먼저 읽어보세요:Auto Encoder 논문Denosing Auto Encoder 논문Convolution Auto Encoder 논문VAE 논문 Abstract이 논문은 비지도 학습 상황에서 유용한 표현(Representation)을 학습하는 문제를 ..

본 블로그 포스트에서 사용된 표, 이미지 및 기타 관련 자료는 해당 논문에서 발췌한 것입니다. 이 자료들은 논문의 내용을 요약하고 이해를 돕기 위한 참고용으로 제공됩니다. 또한, 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다.이 글을 읽기전에 먼저 읽어보세요: Auto Encoder 논문">이 글을 읽기전에 먼저 읽어보세요:Auto Encoder 논문 Abstract딥 신경망 학습의 난점은 입력을 정보가 풍부한 중간 표현으로 변환하는 비지도 사전학습으로 완화될 수 있다. 본 논문은 입력 일부를 의도적으로 손상한 뒤 원본을 복원하도록 학습시키는 Denoising Autoencoder(DAE) 를 제안하며, 이를 층별로 쌓아 깊은 구조를 안정적으로 초기화한다. 이 원리는..

본 블로그 포스트에서 사용된 표, 이미지 및 기타 관련 자료는 해당 논문에서 발췌한 것입니다. 이 자료들은 논문의 내용을 요약하고 이해를 돕기 위한 참고용으로 제공됩니다. 또한, 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다. 이 글을 읽기전에 먼저 읽어보세요: Auto Encoder 논문 Denosing Auto Encoder 논문">이 글을 읽기전에 먼저 읽어보세요:Auto Encoder 논문Denosing Auto Encoder 논문 Abstract본 논문에서는 비지도 학습을 통해 유용한 특징을 추출하는 컨볼루션 오토인코더(Convolutional Auto-Encoder, CAE)를 제안한다. 제안된 CAE는 별도의 정규화 기법 없이, 합성곱 기반 온라인 경사..

본 블로그 포스트에서 사용된 표, 이미지 및 기타 관련 자료는 해당 논문에서 발췌한 것입니다. 이 자료들은 논문의 내용을 요약하고 이해를 돕기 위한 참고용으로 제공됩니다. 또한, 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다. 이 글을 읽기전에 먼저 읽어보세요: Auto Encoder 논문 Denosing Auto Encoder 논문 Convolution Auto Encoder 논문">이 글을 읽기전에 먼저 읽어보세요:Auto Encoder 논문Denosing Auto Encoder 논문Convolution Auto Encoder 논문※ 들어가기 전에, 용어 정리더보기 1. 유향 확률 모델(Directed Probabilistic Model)그래프 이론과 확률론을..

본 블로그 포스트에서 사용된 표, 이미지 및 기타 관련 자료는 해당 논문에서 발췌한 것입니다. 이 자료들은 논문의 내용을 요약하고 이해를 돕기 위한 참고용으로 제공됩니다. 또한, 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다. * 오토(auto)’는 ‘자동’(automatic)이 아니라 그리스어 αὐτός(autos)에서 온 ‘스스로(self)’라는 뜻이다. 즉, 오토인코더(autoencoder)는 입력을 “스스로” 재구성(self‐reconstruct)한다는 의미로, 입력 값 자체를 복원하는 과정을 통해 내부 표현을 학습하는 네트워크 구조다. 1. Introduction신경망(neural networks)은 일반적으로 지도 학습(supervised learning) ..

* 본 블로그 포스트에서 사용된 표, 이미지 및 기타 관련 자료는 해당 논문에서 발췌한 것입니다. 이 자료들은 논문의 내용을 요약하고 이해를 돕기 위한 참고용으로 제공됩니다. 또한, 해석 과정에서 일부 오류가 있을 수 있으니 원 논문을 참고하여 확인하시기 바랍니다 ABSTRACT인공지능 기술의 발전으로 청소년 스포츠 자세 교정용 3D 포즈 추정 시스템에 대한 관심이 높아지고 있다. 기존 기법들은 복잡한 동작, 실시간 피드백 제공, 다양한 자세 처리에서 특히 가림(occulusion), 빠른 움직임, IoT 장치의 연산 자원 제약으로 인해 정확도와 실시간 성능 간 균형을 이루기 어렵다. 이를 해결하기 위해 본 논문에서는 IoT 환경과 $\textbf{GTA-Net}$을 제안한다.$\textbf{핵심 구성}..