다이오드는 주로 한쪽 방향으로 전류가 흐르드록 제어하는 반도체 소자를 말합니다. Anode쪽은 허용되는 전류 방향이고 Cathode쪽은 반대방향의 전류를 막습니다. 축전기를 예로서 역할을 하려면 다이오드 V(anode) > V(cathode)이면 켜져야 하고 , V(anode) 0 이면 순방향(Forward)바이어스 , V(D) >> V(A) > 0 이면 , D1은 켜지고 D..

Video Frame / Image Interpolation 연구분야중 최신 논문인 RIFE의 demo code를 바탕으로 조사하였습니다. 목차 1. RIFE 모델 다운로드 2. RIFE를 이용한 Video Frame Interpolation 3. RIFE를 이용한 Image Interpolation(일반 이미지) 4. RIFE를 이용한 Image Interpolation(CT 이미지) 1. RIFE 모델 다운로드 Pretrained된 RIFE 모델을 다운로드 합니다. !git clone https://github.com/hzwer/arXiv2020-RIFE !gdown --id 1wsQIhHZ3Eg4_AfCXItFKqqyDMB4NS0Yd !7z e RIFE_trained_model_HDv2.zip 필요..

pn 접합 > pn 접합은 트랜지스터의 한 부분으로 동작한다. 지금가지 반도체에 불순물을 주입하면 자유전자-정공이 생성되고 전기장-농도 변화는 이러한 전하 캐리어들을 이동 시킬 수 있었습니다. 만약 n형과 p형 불순물을 반도체 조각의 이웃한 두 영역에 주입하면 어떻게 될까요? 'pn접합' 구조는 반도체 소자에서 중요한 역할을 한다. p와 n영역은 각각 에노드 , 캐소드라 불립니다. *pn접합의 성질과 전류/전압 특성 평형 상태의 pn접합 ( pn접합의 양끝이 열려있고 소자에 전압이 인가되지 않은 경우 ) > n와 p영역의 사이로 경계를 보면 접합의 기점으로 전자와 정공의 농도변화의 날카로움은 두 종류의 큰 확산 전류를 발생시킵니다. 자유전자가 양쪽으로 이동하여 농도가 같게 되었을때, 확산 전류는 멈춥니다..

기초 반도체 물리에서의 목표 - 고체에서의 전하 캐리어를 소개하고 전류의 흐름에서 그들을 역할을 공식화 한다. - 원하는 전류흐름의 성질을 얻기 위해 전하 캐리어 농도를 변화시키는 방법을 소개한다. - 전류 흐름의 메커니즘을 결정한다. 이러한 원리를 다이오드의 전류/전압 특성의 계산에 사용합니다. *고체 전하에서의 캐리어 > 원자의 화학적 성질은 최외각 궤도에서의 전자에 의해 결정됩니다. (원자가 전자) -공유결합 독립적으로 존재하는 하나의 실리콘 원자는 최외각 전자 4개를 가지고 있으며, 완전한 궤도를 형성하는데 4개의 전자가 필요합니다. 정상적으로 반응한다면 실리콘 물질은 '수정'을 형성하는데 각 원자는 똑같은 4개의 다른 원자로 둘러 싸여 있습니다. *수정이 전압에 반응해서 전류를 흐르게 할 수 있..

-CT의 원리 CT(Computed tomography)는 X-ray를 이용하여 몸의 단면을 촬영하고 컴퓨터를 통해 영상화하는 영상진단기법입니다. -Reconstruction(재구성) 재구성하기 위한 대표적인 2가지 방법 1. lterative algorithm 이 방식은 여러 각도에서 더한 값들을 이용해 각각의 intensity를 찾아내는 방식이다. 이 방식은 아주 정확한 값을 도출한다는 장점이 있지만 연산시간이 느리다는 단점이 있습니다. 2. Filtered backprojection algorithm Lterative algorithm의 단점으로 인해 대부분의 CT가 이 방식을 따릅니다. 각도별로 projection해 sinogram을 만들고 filter를 곱해 filtered된 sinogram을 ..

# SSD 주요 구성 요소 1. Multi Scale Feature Layer 2. Anchor Box Sliding window 기법으로 object를 detect하는 방법 중 하나는 이미지의 스케일을 다르게하여 이미지의 스케일이 크면 작은 object , 스케일이 작아지면 큰 object를 detect할 수 있었습니다. 즉, Multi Scale Feature Layer은 다르크기의 Feature Map을 이용한 Object Detection입니다. # Anchor Box의 역할 RPN에서 Positive / Negative Anchor Box를 나누어 학습을 했습니다. 여기서 학습할때 개별 Anchor Box 별로 Detection 하려는 Object유형 softmax값,수정 좌표값정보를 가질 수 ..

# Faster RCNN = RPN + Fast RCNN SS 후 ROI방식에서 딥러닝 네트웍인 RPN # Faster RCNN의 구조 # Region Proposal Network 구현 이슈 > 데이터로 주어질 피처는 pixel값. target은 ground turth bounding box인데 이를 이용해 어떻게 Region Proposal 할수 있나 ? # Anchor Box Object가 있는지 없는지의 후보 Box Anchor Box의 구성 총 9개의 Anchor Box 3개의 서로다른 크기, 3개의 서로다른 비율로 구성 Anchor Box 특징 만약 세로박스가 없다면 사람 detect qnfrk >> 서로다른 크기,비율인 이유 # 이미지와 Feature Map에서 Anchor Box > 실제로..

# RCNN의 발전 # Fast RCNN의 주요 특징 (From SPP Net) 1. SPP Layer를 ROI Pooling Layer로 변경 2. SVM을 Softmax로 변환 3. Multi-task loss 함수로 Classification과 Regression을 함께 최적화 # ROI Pooling - Feture Map 상의 임의의 크기의 Pooling 영역으로 매핑 - 매핑시 일반적으로 Max Pooling 적용 # ROI Pooling을 적용한 Fast RCNN 구조 # Fast RCNN 구조 # Multi-task loss

RCNN의 주요 문제점 보완 -RCNN 개선 방안 2000개의 Region Proposal 이미지를 CNN을 Feature Extraction 하지말고 원본이미지만 Feature Map 생성뒤에 원본이미지의 Selective Search로 추진된 영역의 이미지만 Feature Map으로 매핑하여 별도 추출 개선방안 문제점 > CNN은 서로다른 size의 이미지를 수용하지 않는데 Flatten Fully Connection Input의 크기가 고정되어야 하기 때문 서로다른 크기의 Region Proposal 이미지 개선방안 > 서로다른 사이즈의 Region Proposal 이미지를 SPP Net의 고정된 크기 vector로 변환하여 FC에 1D Flattened된 input 제공 # SPP( Spatial..

Region Proposal방식에 기반한 Object Detection RCNN 모델의 Classification Dense layer로 이해 이미지 크기 동일 Region Proposal수행후 도출된 이미지 하나하나에 CNN 연산 적용 # RCNN의 Training - classification 1. 원본이미지에 selective search 적용 2. ImageNet으로 Feature Extractor pretrain 시킨다. 3. Ground Truth와 SS predicted 된 영역 IOU가 0.5이상인 경우만 해당 클래스로, 나머지는 Background로 fine-tuning 4. Ground Truth로만 학습하되 0.3IOU 이하는 Background로 설정 0.3이상이지만 g.t아닌 경우..