3D 스캔, CT 이미지, Neural Radiance Field(NeRF), Signed Distance Function(SDF) 등에서 사용되는 3D 데이터는 대부분 density field 혹은 scalar field로 표현된다. 이러한 volumetric data는 각 3차원 좌표에 어떤 값(예: 밀도, 거리 등)이 할당된 형태일 뿐이며, 겉보기에는 단순한 숫자들의 집합에 불과하다. 하지만 우리가 3D 데이터를 직관적으로 이해하고 시각화하기 위해서는, 이 값들의 분포를 기반으로 어디가 물체이고 어디가 배경인지, 즉 surface가 어디에 존재하는지를 알아야 한다. 이처럼 연속적인 값의 필드에서 의미 있는 3D mesh을 추출하는 작업이 필요하며, 이때 널리 사용되는 대표적인 알고리즘이 바로 Mar..

3D 데이터를 표현하는 대표적인 방법인 포인트 클라우드(Point Cloud)와 메시(Mesh)에 대해 조금 더 깊게 알아보자!📌 Point Cloud vs. Mesh 비교특징Point CloudMesh기본 개념3D 공간에 존재하는 점들의 집합점을 삼각형으로 연결한 표면 구조구성 요소정점(Vertex)만 존재 (x, y, z, RGB 등)정점(Vertex) + 면(Face)데이터 크기상대적으로 가벼움구조가 복잡해 무거울 수 있음시각적 표현점만 존재하므로 비어 보일 수 있음면(Face)로 이루어져 표면이 명확활용 분야LiDAR, SfM, 3D 스캐닝, 자율주행렌더링, AR/VR, 3D 프린팅, 게임파일 포맷PCD, PLY, LAS, XYZ 등OBJ, STL, FBX, PLY 등Point Cloud는 3D..

Computer Vision 업무를 하다보면 3D 데이터도 자주 다루게 된다. 현실 세계를 디지털 공간에 재현하려면 3D 데이터를 저장하고 활용하는 방식에 대한 이해가 필수적이다. 최근에는 자율주행, 로보틱스, AR/VR, 3D 재구성, 의료 등 다양한 분야에서 3D 데이터가 활용되고 있다. 3D 데이터는 저장 방식에 따라 Mesh, Point Cloud, Voxel 등으로 나눌 수 있고, 각 데이터 구조를 저장하기 위해 PLY, PCD, OBJ 같은 다양한 파일 포맷이 존재한다. 각각의 포맷은 특정한 용도와 장점이 있기 때문에, 프로젝트의 목표에 따라 적절한 데이터를 선택하는 것이 중요하다. 이 글에서는 3D 데이터의 주요 구조와 포맷을 정리해 보고자 한다.📌 3D 데이터 구조1. Mesh📍 특징3..

오늘은 머신러닝에서 전통적이고 기본이 되는 네 가지 주요 알고리즘을 개념적으로 살펴볼 거예요. SVM(Support Vector Machine), Decision Tree, Random Forest, Gradient Boosting은 각각 독특한 특징과 강력한 예측 성능을 가진 알고리즘으로, 머신러닝의 기초를 이루는 중요한 모델들입니다.1. SVM (Support Vector Machine)1.1. 개념SVM은 주어진 데이터에서 두 클래스를 가장 잘 구분하는 경계(Decision Boundary)를 찾는 데 초점이 있어요.이 경계를 Hyperplane이라고 부르며, 데이터를 분리하는 선 또는 면을 의미합니다. SVM의 핵심은 이 Hyperplane과 데이터를 구분하는 마진을 최대한으로 넓히는 것입니다. ..

머신러닝 관련 공부를 하다보면 행렬에 관한 이야기가 참 많이 나오죠. 정말 지긋지긋한데 그렇다고 또 늘 완벽히 이해하지는 못하는 분야이기도 해요...ㅠ 오늘은 생각난 김에 행렬 분해에 대한 내용을 정리해 보려 합니다. 행렬 분해(Matrix Factorization)는 하나의 행렬을 더 작은 행렬들의 곱으로 분해해 표현하는 방법입니다. 이러한 행렬 분해를 사용하면, 데이터의 크기를 줄이면서도 중요한 정보를 보존할 수 있어요. 데이터를 단순히 압축하는 데 그치지 않고, 그 안에 숨겨진 패턴이나 관계를 찾아내는 데도 정말 유용하답니다. 예를 들어, 추천 시스템에서 사용자와 아이템 간의 선호도를 나타내는 대규모 행렬이 있을 때, 이를 분해하면 각 사용자와 아이템의 잠재적인 특징을 발견할 수 있어요. 이렇게 발..

객체 검출(Object Detection) 모델에서는 이미지 속 객체의 위치와 크기를 예측해야 한다. 이때 사용되는 중요한 개념 중 하나가 앵커 박스(Anchor Box)이다. 1. 앵커 박스란? 앵커 박스는 이미지의 각 위치에 미리 정의된 여러 크기와 비율의 바운딩 박스를 의미한다. 모델은 이 앵커 박스를 기준으로 실제 객체의 위치와 클래스 정보를 예측한다. 다양한 크기의 객체를 효과적으로 탐지하기 위해 여러 개의 앵커 박스를 각 위치마다 배치하는 방식이다. 2. 앵커 박스의 원리와 사용 방식객체 검출 모델은 각 앵커 박스에 대해 두 가지를 예측한다.해당 박스에 어떤 클래스가 존재하는지해당 박스를 어떻게 조정해야 실제 객체의 위치와 맞출 수 있는지이때, 예측된 바운딩 박스가 실제 객체의 바운딩 박스와 ..