Categories

Paper: WACV 2025 paper PDF: OpenAccess PDF

Paper: MaPLe: Multi-modal Prompt Learning PDF: arXiv PDF Code: GitHub

Paper: SIGIR 2025, DePro: Domain Ensemble using Decoupled Prompts for Universal Cross-Domain Retrieval PDF: paper link

Paper: CVPR 2024 paper OpenAccess: CVF OpenAccess

ROS2 (Robot Operating System 2) 학습 시리즈 ROS2에 대한 기본적인 내용에 대해서 정리하고 설명하고자 한다.

Wang, Lixu, Xinyu Du, and Qi Zhu. “Semantic feature learning for universal unsupervised cross-domain retrieval.” Advances in Neural Information Processing Systems 37 (2024): 79516-79539. Paper Link: NeurIPS 2024

Li, Bin, et al. “Unsupervised cross-domain image retrieval via prototypical optimal transport.” Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 38. No. 4. 2024. Paper Link: AAAI 2024

Liu, Jiayang, et al. “Noise Mitigation for Unsupervised Cross-Domain Image Retrieval.” 2025 IEEE International Conference on Multimedia and Expo (ICME). IEEE, 2025. Paper Link: ICME 2025

Authors: Conghui Hu, Gim Hee Lee (National University of Singapore) Conference: ECCV 2022 arXiv: 2207.09721 Code: GitHub

Hu, Conghui, Can Zhang, and Gim Hee Lee. “Unsupervised feature representation learning for domain-generalized cross-domain image retrieval.” Proceedings of the IEEE/CVF International Conference on Computer Vision. 2023. Paper Link: ICCV 2023

Wang, Xu, et al. “Correspondence-free domain alignment for unsupervised cross-domain image retrieval.” Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 37. No. 8. 2023. Paper Link: arXiv:2302.06081

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 열 번째 강의 노트인 “Optimal Estimation”를 정리한 것입니다. 원본 강의 노트: 10-optimal-estimation.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 아홉 번째 강의 노트인 “Optical and Scene Flow”를 정리한 것입니다. 원본 강의 노트: 09-optical-flow.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 여덟 번째 강의 노트인 “Monocular Depth Estimation and Feature Tracking”를 정리한 것입니다. 원본 강의 노트: 08-monocular-depth-estimation.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 일곱 번째 강의 노트인 “Representations and Representation Learning”를 정리한 것입니다. 원본 강의 노트: 07-representation-learning.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 여섯 번째 강의 노트인 “Fitting and Matching”를 정리한 것입니다. 원본 강의 노트: 06-fitting-matching.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 다섯 번째 강의 노트인 “Active and Volumetric Stereo”를 정리한 것입니다. 원본 강의 노트: 05-active-volumetric-stereo.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 네 번째 강의 노트인 “Stereo Systems and Structure from Motion”를 정리한 것입니다. 원본 강의 노트: Course_Notes_4.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 세 번째 강의 노트인 “Epipolar Geometry”를 정리한 것입니다. 원본 강의 노트: 03-epipolar-geometry.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 두 번째 강의 노트인 “Single View Metrology”를 정리한 것입니다. 원본 강의 노트: 02-single-view-metrology.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 첫 번째 강의 노트인 “Camera Models”를 정리한 것입니다. 원본 강의 노트: 01-camera-models.pdf

Stanford CS231A: Computer Vision, From 3D Reconstruction to Recognition 이 포스트는 Stanford CS231A 강의의 02번째 강의 노트인 “Single View Metrology”를 한글로 정리한 것입니다. 원본 강의 노트: 02-single-view-metrology.pdf

이 포스트는 3D Vision에 대한 튜토리얼 비디오를 포함합니다.

이미지 등록부터 창의적 효과까지 다양한 응용을 가능하게 하는 기하학적 이미지 조작의 필수 기법입니다.

컴퓨터 비전과 디지털 이미지 분석의 기본이 되는 이미지 처리의 핵심 개념과 방법을 소개합니다.

고급 이미지 필터링 기법을 통해 정교한 이미지 향상 및 분석 기능을 제공합니다.

CNN을 대체하는 기본 백본으로 자리 잡은 ViT의 핵심 파이프라인을 정리합니다.

연구용 prototype을 실제 서비스로 전환할 때 고려해야 할 데이터 파이프라인, 학습 인프라, 배포 전략을 정리합니다.

현대 실시간/오프라인 렌더러의 기본 규칙인 PBR의 핵심 수식과 파라미터를 요약합니다.

3D 비전 파이프라인에서 필요한 카메라 모델, 좌표계, 변환 행렬의 기초 공식을 모았습니다.

SAM 3D는 자연 이미지 한 장과 객체 마스크만으로 3D geometry, texture, layout을 한 번에 추출하는 foundation model입니다.