이전에서, Segmentation Hybrid Model 설계 및 Item Icon API설계 까지 완료되었다.이제 Segmentation 결과와 Item간의 Score를 계산해야된다.여기서 저는, 색상값을 제거하고 각 Segmentation 결과에 Edge를 추출하는 전처리 후 Feature Extraction을 수행할 것이다.하지만, 이것이 성능이 향상될 지는 모르기에,1. Segmentation 결과를 기반으로 Score 비교하여 어떤 이미지가 Top5로 추출되는지2. Segmentation결과와 Item을 전처리 후 Score 비교하여 어떤 이미지가 Top5로 추출되는지를 비교해봐야된다.추가적으로, score 계산을 어떤 식으로 해야될 지 고민해봐야했다.score계산은 두 이미지간 유사도를 어떻게..

회사에서 캐릭터등을 그리는 작업을 AI가 작업해주고,이를 수정하는 아티스트 인력만 사용한다면 인력을 줄일 수 있겠다고 생각하였다.이를 메이플스토리에 접목해본다면, 다음과 같이 이미지가 있으면, 각 요소를 분할하고 메이플스토리 아이템들과 score를 계산하여, 가장 높은 score를 기록한 아이탬들을 기본 캐릭터에 융합하여 최종 캐릭터 결과를 낼 수 있다.이에 있어서 저는 다음과 같은 기술들을 사용하여 해당 프로젝트를 풀고자 한다.1.  Segmentation을 통해 각 요소를 분할 한다.2. 각 요소별로 타 치장 아이탬과 비교해서 비슷한 정도를 계산해야된다.3. 해당으로 matching된 Image들을 아무것도 없는 charactor에 Concat하여 마지막 Charactor를 추출한다.위를 기반은 무엇..

이전에 데이터셋을 분석-적용할 수 있다고 생각했던 부분은 다음과 같다.1. 비정상적인 경기 패턴- 킬 방생 시간과 골드 차이 데이터를 기반으로 어떤 시간대에 많은 골드가 발생했는 지- 어시스트와 킬 수를 비교해서 팀별 팀워크 집중도 탐지VAE, Lsolation Forest, Autoencoder 등등2. 어떤 팀이 승리할 지 예측- 분단위로 되어 있는 데이터가 많기에 분단위로 쪼개서 승리 팀을 예측- 블루/레드 팀의 분당 골드, 킬/데스 비율, 오브젝트 현황, 어느 라인에 골드가 많이 투자되었는 지 등해당 Feature들 기반으로 학습하고 타임라인별로 승리를 예측TabNet, XGBoost, ...등등3. 경기 중 어느 시점에 킬이 많이 발생하는지, 오브젝트를 점령하는지, 골드 추세- 골드 차이의 미래..

dataset 확보: https://www.kaggle.com/datasets/chuckephron/leagueoflegends?select=LeagueofLegends.csv League of LegendsCompetitive matches, 2015 to 2018www.kaggle.com: API로 데이터를 받아와서 사용하기에는 요청 수 제한 등이 있어서 너무 제한적이었다.: kaggle의 망령이 돼서....떠돌이해본 결과 다음의 적합한 데이터셋을 확보할 수 있었다.dataset 분석LeagueofLegends.csv1. 기본 정보League: 리그 이름 (예: NALCS, LCK 등).Year: 경기 연도.Season: 시즌 정보 (예: Spring, Summer 등).Type: 경기 유형 (예: ..

석사 학위 논문: 골프 스윙에서의 모션기반 정밀한 시퀀스 감지에 관한 연구 : A study on Motion-based Precise Seqeunce Detection in Golf SwingGolf Sequence란?왜 Sequence 감지가 중요한가1. 기존의 분석 방식은 영상을 직접 frame 마다 넘겨가며 sequence를 감지하고 분석-> 이는 번거로움 동반, 분석자가 바뀜에 따라 frame단위로 다른 자세를 Seqeunce라고 감지 가능성-> 번거로움 해결 및 시쿤스의 객관성 확보2. 분석을 왜하는가? -> 골프를 잘하기 위해 -> 잘하는 것은 무엇인가? -> 내가 원하는 곳으로 공의 방향과 거리를 안정적으로 보내는 것. -> 이것은 일관된 스윙을 유지하는 것이 중요-> 시퀀스 감지를 통해 ..

log 출력, 관리 관련 함수def printf(text: str) -> None: """ 문자열을 강조된 형식으로 출력. Args: text (str): 출력할 메시지. Returns: None """def error_print(text: str) -> dict[str, Union[int, bool, str]]: """ 오류 메시지를 강조된 형식으로 출력, 이를 JSON 형식의 딕셔너리로 반환. Args: text (str): 오류 메시지. Returns: dict[str, Union[int, bool, str]]: 오류 메시지가 포함된 JSON 형식의 딕셔너리. """type convert 관련 함..

1차 마무리 파일 구조는 다음과 같습니다. accuracy/*은 성능테스트 관련 데이터 및 코드이며,config/*는 github에 올리지 못하는 중요정보 (s3 private key 등등), request_test/*는 locust를 활용한 다중동시접속 request test, routers/*는 각각 하나의 router들로써 api, routers/utils.py는 모든 router들에서 공통으로 사용하는 라이브러리 목록,test_js/*는 js와 python mediapipe lib 성능비교실험 환경OS : WindowsCPU : i7-8750H @ 2.20GHz (12 CPUs)GPU : NVIDIA GeForce GTX 1060RAM : 16GB1차. mediapipe model complexi..

개발사항은 다음에서 확인 가능. 데이터분석,과학을 위해 내가 좋아하는 분야로 공부해보면 어떨까해서...시작!https://github.com/yeongjinHwang/riotAPI_dataAnalysis GitHub - yeongjinHwang/riotAPI_dataAnalysis: 롤api를 활용하여 데이터분석해볼까?롤api를 활용하여 데이터분석해볼까? Contribute to yeongjinHwang/riotAPI_dataAnalysis development by creating an account on GitHub.github.com1. developer api key 발급: 기본적으로 1초마다 요청 20개, 2분마다 요청 100개 : 요금제에 따라 추가 요청 가능할 것으로 보임 : riot ad ..