: NLP 플젝 진행 -> data 전처리에서 분석, 논문으로 넘어갔다. 분석 모델 정리해서 모르는 거 여쭤봐야겠다. 1. chr 1) 전이학습 모델 unlabeled data -> Language Model learning -> 문서 분류, 질의응답, 번역 -> 신경망 추가 2) 사전 학습 모델 상대적으로 적은 자원 -> nlp 수행 2. structure 1) input representation - 세 가지 임베딩 값의 합으로 구성됨 (1) Token Embeddings - Word piece 임베딩 방식 - 가장 긴 길이의 sub-word을 하나의 단위로 만듬 -> rare word -> 더 작은 sub-word로 쪼개어짐. => OOV(Out-of-vocabulary)로 처리 -> 모델링 성능 ..
: FGI를 따면서 인물 목소리를 구분해주는 프로그램을 찾아 헤맸다. 하지만 못찾았다. google_핀포인트는 구분 정확도가 높다던데 문제는 영어 밖에 변환이 안 된다. 클로바는 디테일에서 사람이 둘에서 다섯이 되었다. 무튼 돌아돌아 서치하다 음성 인식에 필요한 훈련 데이터를 구현을 학습한다. * 음원 분리 : 여러 개의 음원이 섞여 있는 입력 파형을 개별 음원의 파형으로 분리하는 것 - 음성 강조 or 잡음 제거 * training data => 음성 + 잡음 섞여 있는 파형 필요함 teacher data => 음성만 있는 파형 -> 잡음 섞여 있는 음성 파형에서 음성만 추출하도록 트레이닝함. * Signal-to-Noise ratio(SN비/신호 대비 잡음 비) - dB(단위) - SN비 수치 hig..
- Total
- Today
- Yesterday
- core data
- Face ID bypass
- Local Data Storage
- Webkit Caching
- K-Shield Jr 9기 단기
- Couchbase Lite
- Keystroke logging
- Pasteboard
- Data Leakage
- Jailbreak iOS
- InsecureShop
- SNOMED
- deep learuning
- 케이쉴드주니어
- Android
- 케쉴주
- SNOMED CT
- LAContext
- IoTGoat
- UserDefaults
- 탈옥 우회
- Runtime Manipulation
- SNOMED CT Mapping
- iOS 15 jailbreak
- dvia-v2
- Android 7.0
- Touch bypass
- IoT Analysis
- YapDatabase
- Objection
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |