문서 둘러보기
UATVR
UATVR은 텍스트 영상 검색을 확률 분포 사이의 대응으로 모델링하는 방법이다. 학습 가능한 토큰으로 여러 세밀도의 의미를 모으고, 표현 분포에서 프로토타입을 샘플링해 일치를 평가한다.
Cap4Video
Cap4Video는 자동 생성한 영상 설명문을 학습 자료와 특징 상호작용, 최종 검색 점수에 활용하는 프레임워크다. 영상과 질의를 직접 비교하는 경로에 질의와 보조 설명문을 비교하는 경로를 더한다.
CLIP2Video
CLIP2Video는 CLIP의 이미지 언어 지식을 영상 텍스트 검색으로 전이하면서 시간 관계를 강화하는 모델이다. 시간 차이 블록으로 움직임을 포착하고 시간 정렬 블록으로 영상 토큰과 구문을 다시 대응시킨다.
TeachCLIP
TeachCLIP은 계산이 큰 영상 검색 모델의 지식을 CLIP4Clip 기반 학생 모델로 전달하는 학습 방법이다. 프레임 주의 가중치가 교사의 프레임 텍스트 관련성을 모방하도록 해 세밀한 지식을 학습한다.
TS2-Net
TS2-Net은 인접 프레임 사이로 토큰을 이동하고 중요한 토큰을 선택하는 영상 텍스트 검색 모델이다. 시간 변화와 국소 공간 의미를 반영하도록 토큰 시퀀스를 동적으로 조정한다.
CenterCLIP
CenterCLIP은 영상 구간별 토큰 군집화로 대표 토큰을 골라 중복 계산을 줄이는 텍스트 영상 검색 모델이다. 선택한 중심 토큰들을 새 시퀀스로 연결하면서 원래의 시공간 관계를 유지한다.
X-Pool
X-Pool은 텍스트 질의와 관련된 프레임에 주의를 적용해 영상 표현을 집계하는 검색 모델이다. 영상 전체를 질문과 무관하게 요약하지 않고, 텍스트에 따라 달라지는 표현으로 유사도를 계산한다.
CLIP4Clip
CLIP4Clip은 이미지 텍스트 모델 CLIP의 지식을 영상 텍스트 검색으로 옮기는 모델이다. 종단 간 전이 학습에서 시간 관계와 추가 사전 학습, 하이퍼파라미터의 영향을 실험적으로 살펴본다.
X-CLIP 영상 검색
X-CLIP 영상 검색은 전체 표현과 세부 표현, 서로 다른 세밀도 사이의 대조를 결합하는 모델이다. 유사도 행렬에 주의를 적용해 중요한 프레임과 단어가 검색 점수에 더 잘 반영되도록 한다.
LAVENDER 영상 언어 모델
LAVENDER는 영상 질의응답과 검색, 캡셔닝을 가린 언어 모델링이라는 공통 인터페이스로 다루는 프레임워크다. 다중모달 인코더 위에 가벼운 MLM 출력부를 두어 사전 학습과 후속 과제를 통합한다.
VideoCLIP
VideoCLIP은 시간적으로 겹치는 영상 텍스트 쌍과 어려운 비교 쌍으로 대조 사전 학습하는 모델이다. 후속 과제의 라벨을 사용하지 않는 제로샷 영상 텍스트 이해를 목표로 한다.
Frozen in Time 영상 검색
Frozen in Time은 이미지와 영상의 설명 자료를 활용해 텍스트 영상 검색 표현을 학습하는 모델이다. 공간 및 시간 주의를 사용하고, 정지 이미지에서 시작해 더 긴 시간 문맥으로 학습 범위를 넓힌다.
VIOLET
VIOLET은 영상의 시간 변화를 명시적으로 모델링하고 가린 시각 토큰을 복원하는 영상 언어 트랜스포머다. 고정된 시각 특징을 사용하는 대신 영상 표현을 언어 과제와 함께 종단 간 학습한다.
ClipBERT
ClipBERT는 적은 수의 짧은 영상 클립을 샘플링해 영상 언어 모델을 종단 간 학습하는 프레임워크다. 미리 추출해 고정한 조밀한 특징 대신 특징 추출기까지 목표 과제에 맞춰 조정하는 접근이다.
HERO 영상 언어 모델
HERO는 프레임 주변의 다중모달 문맥과 영상 전체의 시간 문맥을 계층적으로 학습하는 영상 언어 사전 학습 모델이다. 영상 자막 대응과 프레임 순서 예측을 추가 학습 과제로 사용한다.
밸런스드 오디오와 TRS, 스테레오의 차이
같은 TRS 커넥터를 쓰더라도 밸런스드 모노와 언밸런스드 스테레오는 다른 연결임을 설명한다.
마이크 레벨과 라인 레벨, 악기 및 스피커 신호
오디오 신호의 전압 수준과 입력 용도, 커넥터 모양의 차이를 설명한다.
마이크 팬텀 파워와 게인의 차이
48V 팬텀 파워의 전원 공급 역할과 신호 증폭, 마이크별 요구 조건을 구분한다.
SwinBERT
SwinBERT는 영상 프레임의 패치를 직접 입력받아 자연어 설명을 생성하는 트랜스포머 모델이다. 영상 캡셔닝에 맞춰 시공간 표현과 희소 주의 마스크를 함께 학습한다.
2D-TAN
2D-TAN은 영상 구간의 시작과 끝을 두 축으로 표현한 시간 지도에서 자연어에 맞는 구간을 찾는 모델이다. 길이가 다른 후보 구간과 인접한 구간 사이의 관계를 함께 표현한다.
VSLNet
VSLNet은 자연어 영상 위치 검출을 구간 기반 질의응답으로 다루는 모델이다. 영상을 문서처럼 취급해 답의 시작과 끝을 찾고, 질의 유도 하이라이팅으로 관련 영역에 검색을 집중한다.
정답 없는 질의를 고려한 영상 구간 검색
정답 없는 질의를 고려한 영상 구간 검색은 해당 사건이 영상에 존재하지 않을 때 질의를 거절하는 능력까지 평가한다. NA-VMR 과제와 UniVTG-NA는 구간의 위치 정확도와 무관한 질의의 거절을 함께 다룬다.
UniVTG
UniVTG는 서로 다른 영상 시간 그라운딩 과제와 주석 형식을 통합하는 프레임워크다. 구간 검색과 하이라이트 검출, 영상 요약을 공통 형식에서 다루고 다양한 주석으로 사전 학습한다.
UVCOM
UVCOM은 구간 검색의 국소 관계와 하이라이트 검출의 전역 문맥을 함께 다루는 영상 이해 프레임워크다. 여러 규모에서 모달리티 내부와 모달리티 사이의 정보를 점진적으로 통합하고 대조 학습으로 정렬한다.
DIBS 영상 캡셔닝
DIBS는 주석 없는 영상에서 사건 설명과 의사 시간 경계의 품질을 개선하는 밀집 영상 캡셔닝 사전 학습 방법이다. 다양한 설명 후보를 생성하고, 훈련 중에도 의사 경계를 반복적으로 정제한다.
MS-DETR 구간 검색
MS-DETR는 학습 가능한 템플릿으로 후보 시간 구간을 샘플링하고 구간 사이의 관계를 모델링하는 자연어 영상 위치 검출 방법이다. 다중 규모 시각 언어 인코더와 앵커 유도 구간 디코더를 사용한다.
EaTR
EaTR는 입력 영상의 사건 구조를 반영한 동적 구간 쿼리로 문장에 맞는 시점을 찾는 모델이다. 슬롯 주의로 사건 단위를 포착하고, 문장과 구간 쿼리를 게이트 융합해 시간 경계를 예측한다.
TR-DETR
TR-DETR는 영상 구간 검색과 하이라이트 검출의 상호 관계를 활용하는 트랜스포머다. 다중모달 특징을 정렬하고 질의와 무관한 시각 정보를 정제한 뒤, 두 과제가 서로의 예측을 개선하도록 연결한다.
CG-DETR
CG-DETR는 영상 클립과 질의 단어의 상관관계로 교차 주의를 보정하는 시간 구간 그라운딩 모델이다. 더미 토큰으로 무관한 클립의 질의 의존성을 줄이고, 구간 특성에 맞는 현저성 검출을 수행한다.
QD-DETR
QD-DETR는 텍스트 질의에 따라 달라지는 영상 표현으로 구간 검색과 하이라이트 검출을 수행하는 모델이다. 교차 주의로 질의 문맥을 주입하고, 관련 없는 영상 질의 쌍의 현저성 점수를 낮추도록 학습한다.
MomentDiff
MomentDiff는 언어 설명에 해당하는 영상 구간을 무작위 초기 위치에서 반복적으로 정제하는 확산 기반 검색 모델이다. 텍스트와 영상의 유사도로 잡음 제거를 유도하며 시간 위치 편향의 영향도 평가한다.
QVHighlights와 Moment-DETR
QVHighlights는 자연어 질의에 맞는 영상 구간과 하이라이트를 찾는 데이터셋이다. 함께 제안된 Moment-DETR는 영상과 질의 표현에서 구간 좌표와 현저성 점수를 직접 예측하는 트랜스포머다.
Vid2Seq
Vid2Seq는 사건의 시간 경계와 설명문을 하나의 출력 토큰열로 생성하는 영상 언어 모델이다. 언어 모델에 시간 토큰을 더하고, 내레이션의 문장과 경계를 의사 사건 주석으로 활용해 사전 학습한다.
VTimeLLM
VTimeLLM은 영상 속 사건의 시작과 끝을 이해하도록 세 단계로 학습하는 영상 언어 모델이다. 이미지 텍스트 정렬과 다중 사건 영상 학습, 영상 지시 조정을 순서대로 적용한다.
색상 프로파일 지정과 변환의 차이
색상 숫자를 해석하는 프로파일을 지정하는 일과 다른 색 공간으로 변환하는 일을 구분한다.
DDR 메모리의 MHz와 MT/s 표기
클록의 주파수와 초당 데이터 전송 횟수를 구분한다.
USB-C 영상 출력과 DisplayPort Alt Mode
USB-C 커넥터의 모양과 영상 전송 기능, 케이블 및 포트 지원을 구분한다.
HT-Step과 절차 단계 정렬
HT-Step은 교육 영상의 절차 단계가 어느 구간에 나타나는지 평가하는 벤치마크다. 함께 제안된 방법은 프레임과 내레이션, 단계 설명의 직접 및 간접 대응을 결합해 단계 전체를 시간적으로 정렬한다.
TimeChat
TimeChat은 시각 내용과 프레임 시점을 연결해 긴 영상을 이해하는 다중모달 언어 모델이다. 타임스탬프 인식 프레임 인코더와 슬라이딩 영상 Q-Former로 영상 길이에 맞는 토큰열을 만든다.
HowToStep
HowToStep은 자동 음성 전사문을 단계 설명으로 정제하고 영상 구간에 정렬해 만든 교육 영상 텍스트 자료다. 여러 문장을 입력받아 각각의 대응 시점을 함께 찾는 다중 문장 그라운딩 연구에 사용한다.
HowTo100M
HowTo100M은 내레이션이 있는 교육 영상에서 자동 전사문과 영상 클립을 연결한 대규모 자료다. 사람이 클립마다 설명을 새로 붙이는 대신 음성 전사문을 활용해 텍스트와 영상의 공동 임베딩을 학습한다.
COIN 교육 영상 데이터셋
COIN은 절차를 설명하는 영상의 단계와 시간 경계를 주석한 데이터셋이다. 일상과 관련된 여러 분야의 작업을 계층적으로 구성해 단계 위치 검출과 교육 영상 분석을 평가한다.
CrossTask
CrossTask는 서로 다른 절차적 작업 사이의 지식 공유를 평가하기 위한 교육 영상 데이터셋이다. 함께 제안된 약지도 학습은 내레이션과 단계 순서를 활용하고, 단계의 구성 요소를 공유해 새로운 작업의 이해를 돕는다.
Ego4D Goal-Step
Ego4D Goal-Step은 1인칭 영상의 절차적 활동을 목표와 단계, 하위 단계의 계층으로 주석한 자료다. 개별 행동을 인식하는 것을 넘어 어떤 목표에 기여하는지와 단계의 완료 상태를 연구할 수 있다.
EgoT2
EgoT2는 서로 다른 1인칭 영상 과제에 맞춰 학습한 모델들의 출력을 공유 과제 변환기로 연결하는 방법이다. 과제별 백본은 구분하면서 과제 사이의 정보를 활용해 영상 이해 성능을 개선한다.
DCR 행동 예측 학습
DCR은 행동 예측 훈련에서 사건 문맥을 점진적으로 제거하는 학습 전략이다. 초기에는 더 많은 단서를 제공하고 점차 예측을 어렵게 만들어, 최종적으로 필요한 미래 행동 예측 조건에 도달하도록 한다.
블루투스 마이크 사용과 A2DP, HFP
Windows에서 블루투스 마이크 사용 시 재생 방식이 바뀌는 이유와 LE Audio의 차이를 설명한다.
FAT32와 exFAT, NTFS의 차이
파일 하나의 크기 제한과 저널링, 접근 제어 등 파일 시스템의 차이를 설명한다.
HDMI ARC와 eARC의 오디오 반환
TV에서 사운드바나 AV 리시버로 소리를 보내는 기능과 지원 범위를 설명한다.
AVT 행동 예측
AVT는 과거에 관측한 영상에 주의를 적용해 다음 행동을 예상하는 영상 트랜스포머다. 다음 행동 예측과 후속 프레임 특징 예측을 함께 학습해 순서의 진행과 긴 시간 관계를 표현한다.
M-CAT 행동 예측
M-CAT은 영상 특징과 행동 및 물체의 텍스트 설명을 함께 학습하는 행동 예측 트랜스포머다. 미래 행동 설명과 영상의 정렬을 사전 학습한 뒤 행동 예측으로 미세 조정한다.
FAANTRA
FAANTRA는 축구 중계에서 아직 관측하지 않은 미래의 공 관련 행동을 예측하는 트랜스포머 기준 모델이다. FUTR를 축구 행동 예측에 맞추고, 5초 또는 10초의 미래 구간에서 사건과 시점을 평가한다.
RU-LSTM
RU-LSTM은 1인칭 영상에서 가까운 미래의 행동과 상호작용 물체를 예측하는 모델이다. 과거 요약과 미래 추론을 두 LSTM으로 나누고, 외형과 움직임, 물체 특징의 예측을 모달리티 주의로 결합한다.
ANTICIPATR
ANTICIPATR는 영상 전체 표현과 개별 구간 표현을 함께 활용하는 장기 행동 예측 모델이다. 두 단계로 트랜스포머를 학습해 지정된 미래 시간 범위에 등장할 행동 인스턴스 집합을 직접 예측한다.
FUTR
FUTR는 관측한 영상에서 앞으로 이어질 행동열을 병렬 디코딩으로 예측하는 트랜스포머다. 입력 프레임과 출력 토큰의 전역 주의를 활용해 긴 시간 범위의 행동 관계를 모델링한다.
ActFusion
ActFusion은 관측된 영상의 행동 분할과 보이지 않는 미래의 행동 예측을 함께 학습하는 확산 모델이다. 뒤쪽 프레임을 가리고 학습 가능한 토큰으로 바꾸는 마스킹으로 두 과제를 하나의 틀에서 다룬다.
LTContext
LTContext는 희소 주의로 영상 전체의 시간 문맥을 포착하고 창 주의로 주변 프레임 정보를 다루는 행동 분할 모델이다. 긴 영상에서 국소적인 단서와 멀리 떨어진 구간의 관계를 함께 활용한다.
카메라 RAW와 JPEG의 차이
촬영 데이터의 보존과 완성 이미지, 편집 및 공유 흐름의 차이를 설명한다.
SSD의 TRIM과 가비지 컬렉션
운영체제의 불필요 데이터 통지와 SSD 내부의 공간 정리 작업을 구분한다.
USB 안전 제거와 쓰기 캐시
Windows의 외부 저장 장치 제거 정책과 안전 제거가 필요한 이유를 설명한다.
블루투스 페어링과 멀티포인트 연결
여러 기기 등록과 동시 연결, 오디오 전환을 구분한다.
BaFormer
BaFormer는 행동 구간을 인스턴스 토큰으로 표현하고 경계별 투표로 종류를 결정하는 행동 분할 트랜스포머다. 인스턴스 쿼리와 전역 경계 쿼리를 구분해 연속된 구간 후보를 만든다.
Bridge-Prompt
Bridge-Prompt는 인접한 행동의 의미와 순서를 통합한 텍스트 프롬프트로 영상 표현을 학습하는 방법이다. 행동 라벨을 개별 단어로만 다루지 않고 문맥을 포함한 감독 신호로 바꿔 영상과 텍스트 인코더를 함께 학습한다.
EAST 행동 분할
EAST는 원본 영상 프레임에서 행동 구간 분할까지 함께 학습하는 트랜스포머 모델이다. 가벼운 어댑터로 백본을 미세 조정하고, 성기게 샘플링한 영상의 행동 후보를 전체 프레임 라벨링에 활용한다.
Difformer 행동 분할
Difformer는 디리클레 분포로 프레임별 행동 예측의 불확실성을 모델링하는 지도 행동 분할 방법이다. 닫힌 형태로 계산 가능한 디리클레 확산으로 클래스 확률 분포를 보정하고, 일부 핵심 프레임에서만 확산 매개변수를 추정한다.
G-TLA 행동 분할
G-TLA는 등장 빈도와 지속 시간이 불균형한 행동 분할에서 드문 행동을 인식하도록 로짓을 조정하는 방법이다. 그룹별 소프트맥스와 활동 정보, 행동 순서를 결합해 시간적 관계를 반영한다.
MP3를 FLAC으로 바꾸면 음질이 복원되는가
무손실 압축의 기준이 되는 입력 신호와 이미 손실된 원본 정보를 구분한다.
SSD TBW와 내구성, 보증 기간
누적 쓰기 내구성 지표와 제품 보증 조건, 데이터 보존을 구분한다.
저장 용량의 GB와 GiB 차이
같은 바이트 수가 서로 다른 용량 숫자로 표시되는 이유와 실제 사용 가능 공간을 구분한다.
군집화 기반 타임스탬프 행동 분할
군집화 기반 타임스탬프 행동 분할은 모호한 전환 프레임을 처음부터 라벨링하지 않고, 반복 군집화로 의사 라벨을 확장하는 방법이다. 의사 라벨 앙상블과 군집 손실로 구간 표현을 학습한다.
누락 주석에 강한 타임스탬프 행동 분할
누락 주석에 강한 타임스탬프 행동 분할은 일부 행동에 시점 주석이 빠질 수 있음을 고려하는 학습 방법이다. 확신하기 어려운 프레임을 미상으로 남겨, 잘못 확장된 라벨이 훈련에 들어가는 것을 줄인다.
EM 기반 타임스탬프 행동 분할
EM 기반 타임스탬프 행동 분할은 주석되지 않은 프레임의 라벨 불확실성을 활용하는 학습 방법이다. 행동 구간이 주석에서 빠질 수 있는 조건을 다루고, 임의 프레임을 주석하는 Skip-tag 설정도 제안한다.
UARL 행동 분할
UARL은 행동이 바뀌는 구간의 모호함을 불확실성 학습으로 다루는 행동 분할 표현 학습 방법이다. 각 프레임을 여러 행동의 확률을 담은 분포로 모델링해 전환 중인 상태를 표현한다.
Google 계정 2단계 인증 백업 코드
평소 인증 수단을 사용할 수 없을 때 쓰는 일회용 백업 코드의 역할과 무효화 조건을 설명한다.
OneDrive 온라인 전용 파일과 로컬 파일
파일 목록 표시와 실제 다운로드 여부, 공간 확보와 삭제의 차이를 설명한다.
비공개 브라우징과 인터넷 익명성
기기에 남는 방문 기록을 줄이는 기능과 인터넷에서 익명이 되는 것을 구분한다.
FACT 행동 분할
FACT는 프레임 특징과 행동 특징을 두 경로에서 처리하고 교차 주의로 정보를 주고받는 지도 행동 분할 모델이다. 프레임의 세부 정보와 행동 구간 사이의 관계를 반복적으로 함께 정제한다.
Global2Local 행동 분할 구조 탐색
Global2Local은 행동 분할 모델의 시간 수용 영역 조합을 전역 탐색과 국소 탐색으로 찾는 방법이다. 긴 시간 관계와 짧은 구간의 세부 정보를 함께 포착하도록 층별 조합을 탐색한다.
FIFA 행동 분할 추론
FIFA는 행동 분할과 정렬의 추론을 미분 가능한 에너지 최소화로 근사하는 방법이다. 동적 계획법에 의존하는 정확 추론을 대신해 경사 하강을 사용하며, 계산 시간과 정확도 사이의 절충을 다룬다.
UVAST
UVAST는 동영상 프레임열을 행동 구간열로 바꾸는 시퀀스 대 시퀀스 행동 분할 방법이다. 완전 감독과 타임스탬프 감독을 하나의 틀에서 다루며, 별도 정렬 디코더로 구간 지속 시간을 간접 예측한다.
오디오 샘플레이트와 비트 깊이, 비트레이트
초당 샘플 수, 샘플의 표현 정밀도, 초당 데이터량을 구분한다.
디스플레이의 밝은 불량 화소와 어두운 불량 화소
LCD의 픽셀과 서브픽셀, 밝은 점과 어두운 점의 차이 및 확인 기준을 설명한다.
Windows 빠른 포맷과 전체 포맷
파일 시스템을 만드는 포맷과 빠른 포맷 및 전체 포맷의 처리 범위를 설명한다.
MuCon 행동 분할
MuCon은 서로 다른 두 행동 분할 표현의 일관성을 학습하는 약지도 방법이다. 두 갈래 신경망에 상호 일관성 손실과 행동열 예측 손실을 적용해 프레임 경계 주석 없이 학습한다.
타임스탬프 감독 행동 분할
타임스탬프 감독 행동 분할은 선택한 시점의 행동 주석으로 동영상 전체의 구간화를 학습하는 방법이다. 모델 출력과 주석 시점을 이용해 프레임 라벨을 생성하고, 시점에서 멀어질수록 예측 확률이 감소하도록 신뢰도 손실을 적용한다.
CDFL 행동 분할
CDFL 행동 분할은 행동의 순서만 알려진 영상에서 프레임 라벨을 학습하는 에너지 기반 방법이다. 순서를 만족하는 분할과 위반하는 분할을 구분하는 제약 판별 전방 손실로 HMM과 GRU를 학습한다.
NeuralNetwork-Viterbi
NeuralNetwork-Viterbi는 비터비 기반 손실로 약한 주석의 동영상을 학습하는 행동 분할 프레임워크다. 프레임마다 정답을 붙이지 않은 영상의 온라인 증분 학습에 문맥과 행동 길이 모델을 결합한다.
FIS-OT
FIS-OT는 국소 특징 학습과 전체 시간 구조의 최적 수송 정렬을 결합하는 비지도 행동 분할 방법이다. 의사 라벨에 독립적인 학습 신호와 특징에 따라 달라지는 구조 사전으로 잘못된 라벨의 영향을 줄이고자 한다.
삼중항 손실 기반 단일 영상 행동 분할
삼중항 손실 기반 단일 영상 행동 분할은 입력 동영상 자체에서 행동 표현을 학습하는 비지도 방법이다. 유사도 분포에 적용한 삼중항 손실로 프레임 표현을 바꾸고, 군집화로 행동 구간을 찾는다.
TW-FINCH
TW-FINCH는 시간 진행을 반영하는 계층적 군집화로 동영상의 행동 구간을 찾는 방법이다. 프레임을 최근접 이웃 그래프로 표현하며, 행동 분할을 위한 별도 학습 없이 구간을 구성한다.
연속 시간 임베딩 기반 행동 학습
연속 시간 임베딩 기반 행동 학습은 긴 동영상의 프레임 특징에 시간적 구조를 반영하고 행동 구간을 비지도 발견하는 방법이다. 임베딩 공간의 군집으로 여러 영상에 걸친 행동 종류를 찾는다.
SD 카드의 속도 등급과 앱 성능 등급
최대 전송 속도, 영상 기록용 속도 등급, A1과 A2 표기의 차이를 설명한다.
Wi-Fi 채널 폭과 간섭
20MHz와 40MHz 같은 채널 폭이 의미하는 것과 넓은 폭이 항상 유리하지 않은 이유를 설명한다.
Windows 절전과 최대 절전, 빠른 시작
작업 상태를 유지하는 절전과 최대 절전, 커널 상태를 재사용하는 빠른 시작의 차이를 설명한다.
Norton 영상 언어 대응 학습
Norton은 긴 동영상과 설명문 사이의 어긋난 대응을 다루는 영상 언어 학습 방법이다. 최적 수송으로 클립과 설명문을 다시 대응시키고, 프레임과 단어 수준의 불일치도 함께 처리한다.
순열 인지 프레임 구간 정렬
순열 인지 프레임 구간 정렬은 프레임과 행동 구간의 예측을 결합하는 비지도 행동 분할 방법이다. 트랜스포머가 추정한 행동열과 프레임 특징을 정렬해 구간 수준의 정보를 활용한다.
HVQ 행동 분할
HVQ는 계층적 벡터 양자화로 긴 동영상의 행동 구간을 비지도 학습하는 방법이다. 같은 행동 안에서도 나타나는 모습의 차이를 하위 군집으로 표현하며, 구간 길이 분포도 평가한다.
시간 최적 수송 기반 온라인 행동 군집화
시간 최적 수송 기반 온라인 행동 군집화는 프레임 표현 학습과 군집화를 함께 수행하는 비지도 행동 분할 방법이다. 시간 순서를 반영한 의사 라벨을 만들고, 전체 자료 대신 미니배치 단위로 학습한다.
이미지 픽셀 수와 PPI, 인쇄 크기
픽셀 수와 인쇄 밀도, 리샘플링을 구분하고 PPI 변경이 이미지에 미치는 영향을 설명한다.
브라우저 캐시와 쿠키의 차이
웹 응답을 재사용하는 캐시와 로그인 등 상태를 전달하는 쿠키, 삭제 범위의 차이를 설명한다.