마르코프 프로세스(Markov Process) 정의 ㅇ 어떤 상태로 들어갈 확률이 들어가기 직전 상태에 만 의존하는 확률과정(랜덤 과정)을 의미함 즉, 다음에 나올 상태에 대한 확률 값이 바로 직전의 과거에만 종속되어있으며 그 이전 과거의
정보와 무관한 프로세스(Memoryless Process) ㅇ 마르코프 프로세스의 예
일반적으로 문장 내에 연이어 나올 글자,구절들은 이전 글자, 구절과 상관성을 갖게되므로 이를
메모리(기억성) 요소가 있다고 한다(Memory Process) 또한 신호가 주파수 스펙트럼 상에서 특정 주파수대에 몰려있으면, 이 신호는 시간적 상관성을
가진다고 볼 수 있므로 해당 신호는 모두 메모리를 가지고 있다고 말할 수 있음
마르코프 체인(Markov Chain) 정의
ㅇ 마르코프 프로세스에서 연속적인 시간변화를 고려 않고, 이산적인 경우 만 고려한 반복천이 과정 ㅇ 마르코프 체인의 특징 - 각 시행의 결과가 여러개의 미리 정해진 결과 중의 하나가 됨 - 각 시행의 결과는 바로 직전 시행의 결과에 만 영향 받음 ㅇ 마르코프 연쇄의 식 표현 - 일정 시간 간격 (상태) 마다 반복 천이되며, 천이확률이 매 천이 마다 동일함 . 이러한 연쇄(Chain)를 설명하는 확률 행렬을 확률 천이 행렬이라고 함
. x(k) : 상태벡터(State Vector) . pij : 천이확률(Transition Probability) . P : 천이행렬/확률행렬(Transition Matrix/Probability Matrix) - 임의 시각의 상태까지 반복적으로 계산할 수 있음
. 즉, 천이확률과 초기 상태벡터에 의해 완전히 결정됨
<정보통신 기술용어해설 > 에서 발췌 정리
컴퓨터 비젼 프로그래밍과 관련하여 유용한 리소스 페이지
* 컴퓨터 비젼 기반의 각종 실험 및 연구를 진행하기 위한 테스트 시퀀스 등 리소스 와 관련 발표 논문들을 정리하여 제공
하고 있는 웹페이지 들을 정리하였음
* 기록해 놓지 않으면 자꾸 잊어버려서.....
|
이름 |
내용 |
|
1. CVPR, ICCV등 Top Level 학회발표 논문 및 PT자료, 비디오 등 관련 Resource | |
|
1. 컴퓨터비젼, 머신비젼, 이미지 어낼리틱스 등 관련 분야 이론, Dataset 등 제공 | |
|
1. provide a central location for World Wide Web links relating to computer vision research |
소소한 깔끔합에 집착하는내가 간만에 환상의 에어컨 설치 해 주시는 기사분을 만났다...
다른 기사들은 절대로 안해주는 에어컨관 용접해서 90도 꺽기부터...에어컨 파이프 커버까지.....
정말 감동의 눈물이 주르륵 입니다.... 환상이에요!!!
혹 연락하실 분들은 http://blog.naver.com/ls8001 참고하세요....
성북쪽에 계셔서 많이 내려오시지는 않는다 하시네요...분당 정도까지가 내려오시는 마지노 이신듯...
사진은 조만 찍어서 올릴 예정...
디버깅 중에 소스 파일에 접근하려 할 때 "the source file is different from when the module was built" 에러가 발생하는 경우가 있다.. 이 경우는 소스 파일 하나에 너무 많은 라인의 코드가 있어서 발생한다. 따라서 파일을 유니코드로 저장하거나 코드를 분할하면 문제를 해결할 수 있다.
유니코드로 저장하기 위해서는 해당 소스의 탭을 선택하고 File -> Advanced Save Option -> UNICODE(UTF8 with Signature)로 설정.
나치가 공산주의자들을 덮쳤을 때,
나는 침묵했다.
나는 공산주의자가 아니었기 때문이다.
그 다음에 그들이 사회민주당원들을 가두었을 때,
나는 침묵했다.
나는 사회민주당원이 아니었기 때문이다.
그 다음에 그들이 노동조합원들을 덮쳤을 때,
나는 아무 말도 하지 않았다.
나는 노동조합원이 아니었기 때문이다.
그 다음에 그들이 유태인들에게 왔을 때,
나는 아무 말도 하지 않았다.
나는 유태인이 아니었기 때문이다.
그들이 나에게 닥쳤을 때는,
나를 위해 말해 줄 이들이
아무도 남아 있지 않았다.
로텐부르크에 있는 Käthe Wohlfahrt 크리스마스 백화점 입니다. 아름다운 크리스마스 트리와
온갖 수제 크리스마스 장식품으로 유명한 곳. 본점은 로텐부르크인 것 같고 독일 유명한 관광지에 몇 개의
지점이 있음
11월 12월에 열리는 프랑크푸르트의 크리스마스 마켓 사진도 몇장.... 맛있는 글뤼바인 파는 가게와 놀이기구 사진....크리스마스 시즌에는 유럽에 참 볼만한게 더 많은 것 같다.. 
CES에 출장 가는데 어디서 뭘 먹어야 할 지...
가본지 하도 오래여서 생소하기만 하군.....
라스베가스 호텔, 아울렛 및 관광 등
http://blog.naver.com/PostThumbnailList.nhn?from=postList&blogId=ilovebusybee&parentCategoryNo=14¤tPage=1
뷔페
http://www.mymart.ws/guide/travel/us/nv/las/food.html
http://www.happytour.co.kr/biztrip/info/lasvegas_res.html
http://www.touroad.com/edasom/bbs/board.php?bo_table=e_02&wr_id=12
리오호텔 Sea Food 뷔페(Rio All-Suite Hotel&Casino Village Seafood Buffet)
: 비싸나 해산물 많다고 함, , $38+Tax
: 스트립의 Harrah's Hotel에 무료셔틀이 있음
Makino 일식(프리미엄 아울렛)
한인식당
http://www.lasvegaskim.com/Kor_Restaurant.htm
: 대장금, 명동순두부, 김치식당(Wynn 호텔)
: 사하라 호텔 뒤쪽에 Korea Town이 형성되어 있고 스트립에도 많이 있음
아울렛
http://blog.naver.com/PostView.nhn?blogId=ilovebusybee&logNo=120044473388&viewDate=¤tPage=1&listtype=0&from=postList&userTopListOpen=false&userTopListCount=5&userTopListManageOpen=false&userTopListCurrentPage=undefined
http://pustith.tistory.com/791
* argmax f(x)는 f(x)가 최대값을 가지게 하는 x의 집합(여러개일수도 있으므로)을 말한다.
if f(x) == cos(x), then argmax( f(x) ) = {0, 2파이, 4파이, -2파이,, .. .. .. .}.
why? cos 그래프에서 1이 최대고 {0, 2파이, 4파이, -2파이 ..... }일때 1이다.
if f(x) == (x(10-x)), then argmax(f(x)) = 5.why? x에 5를 대입해보면 25가 나오고, 함수의 최대값이다. ex) 4(10-4) = 24, 6(10-6) = 24, 7(10-7) = 21.
보다 친숙한 통계 용어로 False Positive는 "제 1종의 오류"로 False Negative는 "제 2종의 오류"로 통계학 시간에 배운다. 용어들이 말 장난하는 것 같아서 헷갈리기 딱 좋다. 지금까지 말한 내용을 간단하게 도표로 정리하자. 임신 테스터의 경우를 예로 들어보자 (위키를 참고 하였음):
여기서 이제 실제 숫자를 가지고 이야기를 해보자. 어떤 암이 있는데 이 암에 걸릴 확률이 5/1000 = 0.5%로 알려져 있다고 하자. 어떤 병원에서 이 암을 혈액 검사로 판정하는 방법을 개발하였다. 이 방법의 정확도는 "암이 있을 때 정확히 진단할 확률(양성판정)이 95%", "암이 없을 때 암이 없다라고 정확히 판정할 확률(음성판정)이 99%"로 알려져 있다. 그러나 우리가 병이 있는지 없는지는 아직 모르므로 95%와 99%의 수치는 큰 의미를 가지지 못한다. 대신에, "양성 판정을 받았을 때, 실제 병이 있을 확률"이 결국 이 검사의 정확도를 말해준다.
헷갈린다 @.@ 이것은 수식으로 표현해야 정확해진다. 간단하게 조건부 확률 표기법을 복습하면:
로 아마 그 옛날 고등학교 시절, 수학 시간에서도 마지막 단원 부근에서나 배웠을 것이다. 풀어서 설명하면, A가 일어났다는 조건하에 B가 일어날 확률을 뜻 한다.
이것을 바탕으로 문제에 주어진 값들을 수식으로 표현해보자. 먼저, 사건 D는 병이 있을 사건을, P는 양성 판정, N는 음성 판정을 가리킨다.
즉, "병이 일어났다는 조건하에 양성 판정을 받을 확률"은 95%로, "병이 일어나지 않았다는 조건하에 음성 판정 받을 확률" 99%로 해석할 수 있다. 그러면, 이제 우리가 구하고 싶은 것은 "양성 판정이 있다는 조건하에 병이 있을 확률"이다. 이것을 수식으로 표현하면:
앞뒤만 바뀐 셈이다. 이것을 구하는 방법은 Bayes's theorem으로 구할 수 있다. 꼭 그렇지 않더라도 줄줄 풀어서 생각하면 위 확률 값을 구할 수 있다.
놀랍게도 불과 32% 밖에 되지 않는다. 한 마디로, 병원에서 병이 있다고 판정이 내려도 실제 이 암에 걸렸을 확률은 32% 밖에 되지 않는다는 것이다.
왜 이럴까? 일단, 병이 상대적으로 희귀하다는 점을 들 수 있다. 그리고, False Positive, 즉, 병이 없을 때 병이 있다라고 판정하는 비율이 상대적으로 크기 때문이다. 정말? 불과 1%인데? 라고 반문할 수 있을 것이다. 그러나 이 1%가 정확도에 아주 큰 악영향을 미친다. 만약, 이것을 1%에서 0.1%로 10배 개선하면 정확도는 32%에서 83%로 급증한다.
반면, False Negative, 즉, 병이 있는데 병이 없다고 말할 확률은 큰 영향을 주지 않는다. 지금 5%인데, 이것을 0.05%로, 즉 100배 개선을 하여도 정확도는 32%에서 33.43%로 거의 오르지 않는다. 그렇기 때문에 이 경우에는 False Positive를 줄이는 것이 중요하다. 마지막으로 병이 일어날 확률이 더 줄어들면 이 영향은 더욱 커진다. 병에 걸릴 확률이 1/1000 즉, 0.1%가 되면 위의 진단 법은 고작 8.6%의 정확도만 준다
RECENT COMMENT