분류 전체보기263 [2025-1] 김유현 - A Style-Based Generator Architecture for Generative Adversarial Networks https://arxiv.org/abs/1812.04948 A Style-Based Generator Architecture for Generative Adversarial NetworksWe propose an alternative generator architecture for generative adversarial networks, borrowing from style transfer literature. The new architecture leads to an automatically learned, unsupervised separation of high-level attributes (e.g., pose and identitarxiv.org 0. AbstractStyleGAN은 스타일 전.. 2025. 2. 8. [2025-1] 염제원 - RankRAG: Unifying Context Ranking with Retrieval-Augmented Generation in LLMs RankRAG: Unifying Context Ranking with Retrieval-Augmented Generation in LLMs이 글에서는 “RankRAG: Unifying Context Ranking with Retrieval-Augmented Generation in LLMs” 논문을 간단히 정리한다. 해당 논문은 기존 RAG(Retrieval-Augmented Generation)에 별도 랭킹 모델을 사용하지 않고, 하나의 LLM만으로 질문과 문서 간의 적합도를 판단해 상위 문서를 선별(reranking)하고 답변까지 생성하는 새로운 방법을 제안한다.1. 배경과 문제 설정대형 언어 모델(LLM)은 거대한 파라미터로 다양한 질의에 답변할 수 있지만, 모든 지식을 파라미터에 내재화하기는 현실.. 2025. 2. 5. [2025-1] 김경훈 - SAM (Segment Anything Model) 원본 논문 링크 : https://arxiv.org/abs/2304.02643 Segment AnythingWe introduce the Segment Anything (SA) project: a new task, model, and dataset for image segmentation. Using our efficient model in a data collection loop, we built the largest segmentation dataset to date (by far), with over 1 billion masks on 11M licensearxiv.org https://github.com/facebookresearch/segment-anything GitHub - facebookr.. 2025. 2. 5. [2025-1] 박지원-SLEAP: A deep learning system for multi-animal pose tracking Paper ) https://www.nature.com/articles/s41592-022-01426-1 SLEAP는 다중 동물의 자세 추적을 위한 기계 학습 시스템으로, 정확성과 속도(800 프레임/초의 처리 속도)를 보인다. 또한 SLEAP는 다양한 동물에 대한 데이터를 효과적으로 처리하며, 사용자 친화적인 인터페이스와 반복 가능한 구성 시스템을 갖췄기에 이를 통해 동물 행동 연구의 효율성과 신뢰성을 크게 향상시킬 수 있다. 특히 실시간으로 동물의 행동을 제어하는 데 유용하다. 주요 기능다중 동물 자세 추적: SLEAP는 다중 동물의 자세 추적을 위한 시스템으로, 상호작용 레이블링, 교육, 추론 및 교정을 포함하는 전체 워크플로우의 필요를 충족높은 정확도: 파리의 경우 90% 데이터에서 빠른 훈.. 2025. 2. 4. 이전 1 ··· 18 19 20 21 22 23 24 ··· 66 다음
