https://joonseooh.github.io/인공지능 연구 및 개발에 대한 공부과정을 담은 블로그입니다. 2026-09-21T00:49:42+09:00 JoonSeo Oh https://joonseooh.github.io/ Jekyll © 2026 JoonSeo Oh /assets/img/favicons/favicon.ico /assets/img/favicons/favicon-96x96.png 2026-09-21T00:31:00+09:00 2026-09-21T00:49:07+09:00 https://joonseooh.github.io/posts/UDAPose/ JoonSeo Oh

실제 저조도 특성을 반영한 데이터 합성과 visual cue·pose prior의 동적 결합으로 Low-Light Human Pose Estimation을 개선하는 UDAPose 논문 핵심 리뷰

2026-07-27T20:17:00+09:00 2026-07-29T00:51:33+09:00 https://joonseooh.github.io/posts/Safe-Latent-Diffusion/ JoonSeo Oh

모델 재학습 없이 추론 단계에서 유해 이미지를 안전하게 차단하는 Safe Latent Diffusion 논문 핵심 리뷰

2026-07-14T15:00:00+09:00 2026-07-14T18:35:22+09:00 https://joonseooh.github.io/posts/Attention-Is-All-You-Need-My-Review/ JoonSeo Oh

앞서 ‘Attention Is All You Need’ 논문 리뷰를 진행했는데, 해당 글만보고 이해하기 쉽지 않을 수 있습니다. 따라서, 해당 논문 내용을 이해하기 쉽게 총정리하고, 제가 읽으며 어려웠던 부분도 따로 정리해볼까 합니다. 1. 기존 모델의 한계와 Transformer의 등장 배경 기존 Sequence Transduction 모델들의 주류는 인코더와 디코더를 포함한 복잡한 RNN이나 CNN 기반이었습니다. 최고 성능을 내는 모델 역시 RNN/CNN에 Attention 메커니즘을 결합한 형태였습니다. 특히 LSTM이나 GRU 같은 순환 모델들은 입력 및 출력 시퀀스의 기호 위치를 따라 순서대로만 계산을 진행해야 하는 ‘순차적 계산(Sequential Nature)’의 한계가 있었습니...

2026-07-13T18:00:00+09:00 2026-07-29T00:51:33+09:00 https://joonseooh.github.io/posts/Attention-Is-All-You-Need-Review/ JoonSeo Oh

RNN과 CNN을 완전히 버리고 오직 Self-Attention 메커니즘만으로 최고 성능을 달성한 혁신적인 Transformer 아키텍처 리뷰입니다.

2026-06-28T17:00:00+09:00 2026-07-14T15:40:14+09:00 https://joonseooh.github.io/posts/what-is-machine-learning/ JoonSeo Oh

1. 기계학습의 정의 👆 Tom Mitchell의 정의 톰 미첼(Tom Mitchell) 교수에 따르면, 기계학습은 경험(E)을 통해 특정 작업(T)에 대한 성능(P)을 향상시키는 알고리즘을 연구하는 분야입니다. Task (T): 풀고자 하는 작업 (예: 체스 게임) Performance (P): 성능 측정 기준 (예: 상대편에 대해 얼마나 많이 이겼는가) Data / Experience (E): 축적된 데이터나 기록 (예: 체스를 둔 승패에 대한 기록) 👆 뉴턴의 제2법칙으로 이해하는 기계학습 ML 모델을 통해 뉴턴의 제2법칙을 이끌어내는 상황을 가정해 보겠습니다. 톰 미첼의 정의에 따라 P, T, D를 다음과 같이 정의할 수 있습니다. Task (T): 힘(Force,...