Daniel's blog

Tom Forsyth 라는 Graphics Coder 가 소개한 Optimization 테크닉을 번역한 내용이다. (28th September 2006 발표) Linkedin과 본인 블로그에 따르면 Intel을 비롯한 graphics 관련 회사들에서 경력을 쌓은 이 분야의 전문가로 보인다. 내가 수강한 Computer Graphics 교수님이 제공한 자료를 통해 알게 됐다. Introduction : 이 페이퍼는 크기가 알려지지 않은 다양한 Hardware Vertex Cache에 적합하도록 색인된(indexed) 삼각형 목록을 최적화하는 알고리즘을 소개한다. 이 방법은 다양한 cache 크기와 교체 정책에 보편적으로 적합하며 mesh의 삼각형 수에 비례하는 선형적인 시간(Linear time)과 공간에..

Word Embeddings의 구체적인 예시와 어떻게 사용되는지를 알아보자. 구체적 예시 Word2Vec : "king", "queen", "man", "woman" 라는 단어가 있다고 가정해보자. 학습된 Word2Vec 모델에서 Embedding은 다음와 같이 나타낼 수 있다. "king": [0.2, -0.1, 0.4] "queen": [0.21, -0.09, 0.41] "man": [-0.4, 0.3, -0.1] "woman": [-0.39, 0.31, -0.09] "king"과 "queen"이 "man"과 "woman"과 마찬가지로 유사한 벡털르 가지고 있음을 알 수 있다. GloVe :"computer", "keyboard", "flower", "rose" 라는 단어가 있다고 가정해보자. 이는 ..

Word Embeddings은 비슷한 의미를 가진 단어들이 비슷한 표현을 갖도록 하는 단어 표현의 한 유형이다. 이는 ML 알고리즘이 처리할 수 있도록 텍스트 데이터를 숫자 형식으로 변환하는 NLP의 기본 테크닉이다. 설명 Numerical Represenatation (숫자 표현) : Word Embeddings은 단어를 실수 벡터로 변환한다. 어휘의 각 단어는 고차원 공간(일반적으로 수백 차원)의 벡터에 매핑된다. Capturing Semantic Meaning (의미론적 포착) : 이러한 벡터는 단어의 의미를 포착하도록 설계돼있다. 비슷한 문맥에서 사용되는 단어는 비슷한 Embedding을 갖는 경향이 있다. 예를 들어, "king"과 "queen"은 Embedding 공간에서 가깝다. Contex..

Scenegraph의 scene management에 대해 좀 더 알아보자. Scenegraph를 통한 scene management에는 lights, cameras, meshes (3D models), animations 등 3D scene의 다양한 요소를 구성하고 제어하는 작업이 포함된다. 이는 scene 조작 및 렌더링 프로세스를 간소화하는 Scenegraph의 계층적 구조에 의해 수행된다. 작동 방식은 아래와 같다. Transformations and Propagation : 계층 구조의 부모 노드에 적용된 transformations (예: translation, rotation, scaling)은 모든 자식 노드에 영향을 준다. 예를 들어, 부모 노드인 비행기 모델을 회전하면 모든 부분(날개,..

Scenegraph는 복잡한 장면을 관리하고 렌더링하는 데 일반적으로 사용되는 데이터 구조다. 이는 그래픽 객체를 계층적 트리(Hierarchial tree)와 같은 구조로 구성하며, 트리의 각 노드는 scene의 그래픽 요소를 나타낸다. 이 구조를 사용하면 많은 요소가 있는 복잡한 장면을 효율적으로 렌더링, 조작 및 관리할 수 있다. 주요 특징과 용도는 아래와 같다. Hierarchial Organization : 객체는 상위-하위 계층 구조로 구성된다. 즉, 상위 노드에 적용된 transformations(예: translation, rotation, scaling)은 하위 노드에 자동으로 영향을 준다. 예를 들어, 자동차 모델을 이동하면 바퀴와 문과 같은 하위 요소도 이동한다. Scene Manag..

UV mapping과 Normal mapping 모두 texture에 관여하는 테크닉이다. 둘을 간단하고 직관적으로 비교해보면 아래와 같다. UV mapping은 색칠 공부에서 2D 이미지의 각 부분이 3D 모델에 그려질 영역의 윤곽을 그리는 것과 같다. 경계를 설정하고 이미지가 과도하게 늘어나거나 겹치지 않고 선 안에 깔끔하게 맞도록 한다. Normal mapping은 색연필 세트를 사용해 윤곽선 안에 texture와 depth를 추가하는 것과 같다. 평면적인 색상 대신 3D 모델에 실제로 존재하지 않았던 그림자(lighting), 하이라이트 및 표면 디테일의 모양을 추가하는 것이다. 예를 들어, 용의 피부에 울퉁불퉁한 표면이나 옷의 복잡한 직물 직조와 같은 착각을 불러 일으키는 것과 같다. 즉, UV..

탄젠트 공간은 컴퓨터 그래픽에서 텍스쳐, 특히 노멀 맵을 3D 모델의 표면에 적용하는 데 사용되는 좌표계다. 탄젠트 공간은, texture map에 표면 디테일을 인코딩해 3D 모델에 정확하고 효율적으로 적용할 수 있는 방법으로, 처리 능력이나 메모리에 큰 비용을 들이지 않고도 보다 사실적인 lighting과 material 효과를 구현할 수 있다. 정의 : mesh surface의 각 vertex에 고유하게 정의되는 로컬 공간이다. 이 로컬 공간은 geometry surface에 정렬돼 Tangent는 surface에 평행하며 일반적으로 texture coordinates (u-axix)에 정렬되고, Bitangent는 Tangent에 수직이며 surface를 따라 놓여 다른 texture axis (..

RNN(Recurrent Neural Network)과 POS (Part-of-speech) tagging의 관계에 대해 알아보자. 순차적 데이터 모델링 : RNN은 특히 NLP의 문장과 같이 순차적 데이터를 포함하는 작업에 적합하다. POS tagging은 본질적으로 시쿼스(또는 문장)의 각 단어에 tag가 할당되는 sequence labeling 작업이다. 컨텍스트 인식 : POS tagging에 RNN을 사용할 때의 주요 이점 중 하나는 숨겨진 상태(hidden state)를 통해 컨텍스트를 유지할 수 있다는 점이다. 이를 통해 POS tag를 할당할 때 문장 내 단어의 문맥을 고려할 수 있으며, 이는 문맥에 따라 여러 단어가 서로 다른 tag를 가질 수 있기 때문에 매우 중요하다. End-to-e..

RNN 또는 순환 신경망은 시계열(time series, 일정 시간 간격으로 배치된 데이터들의 수열), 주식 가격 및 NLP 텍스트와 같은 데이터 시퀀스에서 패턴을 인식하기 위해 설계된 인공 신경망 (Artificial Neural Network)의 한 유형이다. 이러한 네트워크의 "순환, 반복적(recurrent)" 특성은 RNN의 아키텍처에서 비롯되는데, 정보가 지속될 수 있는 루프(loop)를 가지고 있어 입력 데이터 포인트의 순서와 컨텍스트가 중요한 작업에 매우 적합하다. RNN과 관련된 몇 가지 주요 특징 및 개념에 대해 알아보자. Memory Cells (메모리 셀) : Feed-Forward 네트워크와 같은 전통적인 신경망은 이전 입력에 대한 메모리가 없다. 반면, RNN은 메모리 셀을 가지..

NLP에서 POS는 단어가 문법적 기능(syntactic functions)에 따라 할당되는 카테고리를 의미한다. 예를 들어, 영어 문법에서 단어들은 Noun(명사), Verb(동사), Adjective(형용사), Adverb(부사), Pronoun(대명사), Preposition(전치사), Conjunction(접속사), Interjection(감탄사)와 같은 클래스로 분류된다. POS tagging은 텍스트의 각 단어에 해당하는 품사로 표시(labeling)하는 작업이다. 이는 named entity recognition (명명된 엔티티 인식), parsing, sentiment analysys 같은 하위 작업에 유용하다. POS tagging을 위한 다양한 알고리즘과 도구가 있으며, rul-base..