레옹을 오랜만에 다시보았다. 

결말부분의 레옹이 경찰들이 깔린 건물을 도망쳐 나올때 밝은 출구는 왠지 천국을 의미하는 것 같았다.



프로 중에 프로인 레옹이 뒤에서 총구를 겨누는 스탠 형사를 알아차리지 못 한건 그가 마틸다를 만나면서 인간이 되었다는 증거, 그만큼 청부업자로서의 감각이 무뎌진 것이 아니려나? 

사실, 합리적인 판단이라면 마틸다를 구하러 DEA 건물로 처들어가지도 못했겠지만.

영알못이지만 총을맞고 쓰러지는 레옹을 레옹의 시점으로 흔들리는 카메라를 이용해 표현한 것이 신기했다.


참 크리스마스와 잘 어울리는 영화라고 할 수 있겠다.

'일상 > 그외' 카테고리의 다른 글

[스포있음] 레옹을 다시봤다.  (3) 2015.12.25
네이버 동영상 광고 생략  (2) 2015.11.25
ALL YOUR BAYES ARE BELONG TO US  (0) 2014.07.02
Coupon Collector’s Problem  (2) 2013.11.14
Posted by 헬벨

가사도 좋고 기타도 좋고




When you try your best but you don't succeed
When you get what you want but not what you need
When you feel so tired but you can't sleep
Stuck in reverse


And the tears come streaming down your face
When you lose something you can't replace
When you love someone but it goes to waste
Could it be worse?

Lights will guide you home
And ignite your bones
And I will try to fix you

And high up above or down below
When you're too in love to let it go
But if you never try you'll never know
Just what you're worth

Lights will guide you home
And ignite your bones
And I will try to fix you

Tears stream down your face
when you lose something you cannot replace
Tears stream down your face
And I

Tears stream down your face
I promise you I will learn from my mistakes
Tears stream down your face
And I

Lights will guide you home
And ignite your bones
And I will try to fix you

'일상 > 음악' 카테고리의 다른 글

Coldplay - fix you  (2) 2015.12.16
Bb 블루스  (1) 2014.07.11
Posted by 헬벨

Windows 사용자는 여기로: http://hellbell.tistory.com/entry/Sublime-Text-3-Latex-Plugin-설치-in-Windows-7

OS X El Capitan을 사용함.


가정: MacTex은 이미 설치됨

MacTex: https://tug.org/mactex/ 에서 다운로드


1. Sublime text 3 를 설치한다. (http://www.sublimetext.com/3)

2. Sublime text 3 를 켜고, Package Control 을 설치한다. (패키지 컨트롤은 plugin들을 쉽게 설치할 수 있게 도와주는 애드온임)

설치 방법 : ctrl + ` 눌러서 console 창 띄우고 아래 링크에 있는 내용 복사하여 붙여넣고 엔터.

(https://packagecontrol.io/installation)

3. 이제 command+shift+p 를 누르고 “install ” 입력하고 엔터 -> latextools 입력하고 선택하여 설치.

4. 메뉴의 preferences -> package settings -> latextools -> reconfigure latextools and migrate settings. 으로 설정 완료.

5. 메뉴의 tools -> build system -> LaTex 선택하여 빌드 세팅 완료. 시험삼아 아무 tex파일이나 켜서 command + b (빌드 단축키)로 빌드해보자.

(여기까지는 Windows의 방법과 똑같다.)

6. Skim PDF viewer 설치 (http://skim-app.sourceforge.net)

6-1. 다운로드된 파일이라고 Skim이 열리지 않을 경우, finder에서 skim앱을 control + click하여 drop down 메뉴를 띄우고, 열기를 눌러 실행한다.

7. Skim을 실행하고, Preference -> sync tab으로 이동.

  • Check for file changes을 체크해제
  • Preset type은 Custom을 선택
  • Command에 /Applications/Sublime Text.app/Contents/SharedSupport/bin/subl 를 입력
  • Arguments에  "%file":%line 를 입력
8. 끝.
9. Forward search는 Sublime text에서 command+b 명령으로 빌드하면, skim viewer가 뜨면서 자동으로 현재 line이 강조 표시된다.
Inverse search는 skim앱에서 되돌아가 가고픈 부분을 command+shift+click하면 Sublime text로 돌아간다. 


Posted by 헬벨
publication 탭에서 리뷰를 살펴보니, NIPS 2015에 제출된(아마도 rejected) 논문인 듯 하다.
Darknet이라는 묘한 C++기반의 deep learning framework를 사용한다.

논문의 요지--
기존의 deep learning을 사용하는 object detection 방법들(R-CNN 등)은 기존의 object proposal 방법들(EdgeBoxes와 같은)을 사용하여 물체일 가능성이 높은 patch들을 가지고, deep network에 input으로 사용하여 object classification task로 문제를 풀었다.
이러한 방법은 object proposal의 높은 recall 성능과 DNN의 높은 classification 성능과 맞물려서 전체적으로 outperforming하는 결과를 낸다.
물론 object proposal 방식의 속도가 빠르고 (edgeboxes: < 1 sec),  DNN의 feedforward 과정 또한 꽤 빠르다고는 하나, 
object proposal을 생성하는 과정과 후보 image patch들을 여러번 deep network에 돌려야 하는 과정은 꽤나 redundant해 보인다.

제안하는 논문은, input image를 CNN 모델에 한번 feed forward 과정을 거치는 통합된 object detection알고리즘을 제안한다.
Main contribuion: 
     1) 간단한 framework으로 한번에 이미지 전체에 해당하는 detection을 매우 빠르게 수행. (real-time)
     2) Global reasoning: 각각 patch들의 classification결과로서의 detection이 아닌, 전체 이미지를 고려한(global view) 탐지 결과를 얻을 수 있다.
실험 결과로는, PASCAL VOC 데이터셋에서는 DPM보다는 높은 성능, R-CNN 보다는 낮은 성능을 보인다.
이러한 단점을 보완?하기 위해 그림이나, natural 이미지들의 데이터셋에서의 탐지 결과를 보여주는데, 이러한 natural dataset에서 성능이 더 좋은 이유를 YOLO의 global reasoning을 그 이유로 들고 있다.  


논문 내용 --


입력 이미지를 제안하는 CNN 모델에 통과시킨 후 output으로 (S * S) grid의 결과값을 얻는다. (S=7)
각 grid는 
1) C(=20)개의 class에 대한 label과
2) 이 grid가 가르기는 object의 confidence와
2) B(=2)개의 bounding box를 predict한다.
즉, 이미지당 output으로 7*7*(20+(4+1)*2)짜리 tensor를 얻게 된다.

CNN 모델은 GoogLeNet을 변형시켜, 24 conv. layer + 2 fully connected layer로 구성된다.

논문에서 정의하고 있는 Loss function은 다음과 같다.

논문에는 loss function에 대해 설명이 자세히 안되어 있고 notation에 대한 설명 또한 없어서 대략 추측해본 바는 다음과 같다.

첫 번째 term 은 predicted box 와 ground truth의 center 거리, 즉, bounding box location error.
두 번째는, predicted box 와 ground truth box의 aspect ratio error.
세 번째와 네 번째는 grid의 detection의 confidence에 따른 loss term인 듯 하다. 각각 ground truth object가 있을 경우 (C=1), 없을 경우 (C=0)로 나누어서 다른 weight를 적용하는 식으로 보인다.
마지막 term은 grid에서 predicted ‘class label’에 따른 probability에 의한 error term이다.  YOLO는 각 grid에서 물체가 탐지되었다고 할 때의 20개의 class에 대한 확률 값을 prediction한다. 이 값을 ground truth (true class=1, else =0) 와 비교하여 error를 계산한다.






Posted by 헬벨