🚀 AI 연구소/AI 기술 & 딥러닝16 [기술분석] 8.3B 파라미터의 혁명: Hunyuan Video 1.5 아키텍처와 SSTA 어텐션의 비밀 텐센트가 공개한 오픈소스 비디오 생성 모델, Hunyuan Video 1.5는 어떻게 소비자용 GPU에서 SOTA급 성능을 달성했을까요? Unified DiT 구조부터 Glyph-ByT5를 활용한 텍스트 렌더링, 그리고 혁신적인 희소 어텐션(Sparse Attention) 기법까지 기술적 정수를 낱낱이 파헤칩니다.최근 생성형 AI 시장, 특히 비디오 생성 분야는 그야말로 춘추전국시대입니다. OpenAI의 Sora, Google의 Veo, Kuaishou의 Kling 등 내로라하는 모델들이 등장하며 '텍스트 투 비디오(Text-to-Video)'의 한계를 매일 갱신하고 있습니다. 하지만 이들 대다수는 독점적인(Proprietary) 모델로, 내부 아키텍처가 베일에 싸여 있거나 API 형태로만 접근이 가능했.. 2025. 11. 26. 딥러닝 모델 성능을 높이는 핵심 튜닝 방법 총정리 (실무자를 위한 고급 가이드) 딥러닝 모델의 성능을 극대화하려면 단순한 기본기 너머의 다양한 튜닝 기법을 적용해야 합니다. 특히 데이터 처리, 하이퍼파라미터 최적화, 학습 기법 개선, 과적합 방지, 전이 학습, 최신 모델 구조 활용, 하드웨어 최적화 등 여러 측면에서의 전략이 필요합니다. 여기서는 초급 단계를 넘어 실무자와 연구자에게 유용한 딥러닝 성능 향상 기법들을 정리합니다.1. 데이터 전처리 및 증강 기법데이터 전처리는 모델 학습의 토대를 다지는 단계입니다. 입력 데이터의 정규화(normalization) 및 표준화(standardization)를 통해 특징값의 범위를 조정하면 학습이 안정되고 빠르게 수렴합니다. 예를 들어 이미지 픽셀 값을 0~1 사이로 스케일링하거나, 특성 벡터의 평균을 0으로 만드는 등의 처리가 일반적입니다.. 2025. 3. 3. MU-Net: Deep Learning-based Thermal IR Image Estimation from RGB Image 번역 초록 위성 원격 감지 또는 바이로버 온보드 센서에 의해 수집된 지형 이미지는 유성 로버의 지형 통과성 및 임무 계획을 결정하는 데 사용되는 지형 분류의 주요 출처이다. 지형 클래스를 위한 RGB와 IR 사이의 매핑 모델은 동일하거나 유사한 지형의 실제 RGB 및 IR 데이터 예에서 학습된다. 본 논문은 MU-Net(Multiple U-Net)이라는 새로운 클래스의 딥 러닝 아키텍처를 추가하고 더 나은 RGB-to-IR 매핑 모델을 도출하는 효율성을 보여주며, 들어오는 RGB 영상 및 학습된 RGB-IR 매핑에서 열 IR 영상의 추정을 과거 작업에 비해 향상시켰다. 1. 서론 지형 분류는 화성 탐사 로봇에 대한 자율 항행을 위한 핵심 구성 요소 중 하나이다. RGB와 열적외선(IR) 영상을 모두 사용하여 .. 2021. 5. 12. Deep Convolutional Neural Network-based Fusion of RGB and IR Images in Marine Environment 번역 초록 — 정확하고 자동적인 다중 대상 탐지를 설계하는 것은 자율 주행 차량에게 어려운 문제이다. 이 문제를 해결하기 위해, 우리는 본 논문에서 최신 다중 모델 융합 프레임워크를 제안한다. 이 프레임워크는 탐지 성능을 향상시키기 위해 RGB 및 열적외선 카메라로부터 무료 정보를 제공한다. 이를 위해 먼저 관심 대상을 포함할 가능성이 있는 후보 제안을 추출하기 위해 각 입력 이미지에 대한 조밀한 단순 심층 모델로 레티나넷을 사용한다. 그런 다음, 모든 제안서는 두 가지 양식에서 얻은 제안을 연결하여 생성됩니다. 마지막으로, 중복 제안은 NMS(Non-Maximum Suppression)에 의해 제거된다. 핀란드 군도의 선박에 탑재된 센서 시스템에 의해 수집된 실제 해양 데이터 세트에 대해 제안된 프레임워크를.. 2021. 5. 11. 이전 1 2 3 4 다음
