log404

Leet Code - LRU Cache

ksc036 — Mon, 1 Jun 2026 16:59:02 +0900

https://leetcode.com/problems/lru-cache/description/?envType=problem-list-v2&envId=Practice-I

# change problem 
# how 
from collections import deque
class LRUCache:
    _nowSize = -1
    _totalSize = -1
    _q = None
    _hash = None

    def __init__(self, capacity: int):
        self._hash = {}
        self._nowSize = 0
        self._q = deque()
        self._totalSize = capacity
    def get(self, key: int) -> int:
        if key in self._hash.keys():
            self._q.remove(key)
            self._q.append(key)
            return self._hash[key]
        return -1
    def put(self, key: int, value: int) -> None:
        if key in self._hash.keys():
            self._hash[key] = value
            self._q.remove(key)
            self._q.append(key)
            #should update?
        else:
            if self._nowSize == self._totalSize:
                lastValue = self._q.popleft()
                del self._hash[lastValue]
                self._hash[key] = value
                self._q.append(key)
            else:
                self._hash[key] = value
                self._nowSize+=1
                self._q.append(key)



# Your LRUCache object will be instantiated and called as such:
# obj = LRUCache(capacity)
# param_1 = obj.get(key)
# obj.put(key,value)

독서리뷰 0531 - 하버드의 첫 강의 시간관리 수업

ksc036 — Mon, 1 Jun 2026 02:28:05 +0900

효율적으로 업무효율을 높이는 시간관리 방법에 대한 내용을 읽었다.

메일, 전화 , 인터넷 등 효율적인 도구등을 사용해서 시간효율을 높이기 위한 방법들을 설명한다.

예전 책이어서 ai를 활용한 방법은 나오지 않지만 전반적으로 직장생활을 할때 유용한 스킬들을 소개한다.

예를들어 통화를 하기전에 질문 내용을 리스트에 기록한다, 전화를 한 시간, 날짜 대화한 사람을 기록한다 등 아주 구체적인 방법들에 대해서 적어 놓았다.

10분 독서 66일 후기

ksc036 — Sun, 31 May 2026 01:27:49 +0900

도전 기간

어떠한 행동이 습관으로 이어지는데 66일이 걸린다고 하여서 26년 03월 25일 ~ 26년 05월 30일까지 하루 10분 독서를 하고 블로그에 포스팅을 남기는 것을 실천해보았다.

결과

55개의 포스팅을 작성하였고 11번을 제외하고 성공하였다.

원래의 목적은 독해력 향상과 의지를 키우는 것이였는데, 정성적으로 평가해보았을 때 드라마틱 하지는 않지만 뭔가 변화가 느껴지는데? 정도의 변화를 경험한 것 같다.

특히 책을 읽으면서 인상이 깊은 내용들을 내 삶에 하나 둘 씩 적용시켜가면서 좋은 습관들이 몸에 베여나가는게 느껴져서 좋았다.

특히 현재는 시간을 관리하는 내용에 대한 책을 읽고 있는데 이 책은 실제로 현실에 영향을 주고 있는 것 같다.

하루에 마지막에 다음날 해야할 것을 미리 계획을 세우고 다음날 아침에 사진을 찍어서 확인하는 습관을 들이니깐 하루의 생산성이 높아졌다.

후기

다시 과거로 돌아간다고 해도 똑같이 이러한 습관을 기르기 위해서 노력할 것이다.

이미 몸에 습관으로 잡혀있음으로 좋은 습관을 잃어버리지않게 계속 이어나갈 것이다.(이제는 뭔가 안하면 어색한 느낌이 든다.)

독서리뷰 0530 - 하버드의 첫 강의 시간관리 수업

ksc036 — Sun, 31 May 2026 01:18:07 +0900

오늘은 시간을 낭비하지 않는 법에 대해서 읽었다. 사실 말과 방법만 조금씩 변경해나가고 책에서 하고싶은 하나의 조언은 시간을 소중히 사용하라는 것이다.

오늘의 인상깊은 한줄은 "효과적으로 다른 사람의 힘을 빌릴 줄 안다면 적은 노력으로 큰 성과를 올릴 수 있다." 이다.

나는 사람들에게 도움을 요청하는 것을 두려워하는 경향이 있었다. 하지만 상황에 따라서 이런 것들을 적극적으로 이용할 줄 알아야 인간관계도 잘 이어질 것이라 생각한다.

독서리뷰 0528 - 하버드의 첫 강의 시간관리 수업

ksc036 — Fri, 29 May 2026 00:55:48 +0900

대부분의 급한 업무는 중요한 업무가 아닐 수 있고, 중요한 업무라고 해서 급한 업무가 아닐 수도 있다.

이러한 상황에 기초해 아이젠 하워는 아이젠하워 원칙을 만들었다. 중요도와 급선무에 따라 업무를 중요도와 급함에 따라4가지로 구분한다.

특히 중요하지만 급하지 않은 일들이 중요하다고 하는데, 대표적으로는 기업 문화 수립, 가치관 정립, 사업 계획, 사업 준비, 인간관계 정립, 직원 훈련 등이 여기에 해당한다고 한다.

나도 일반적으로 급한 업무를 많이 처리하고 있는데 중요하면서 급하지 않은 나의 가치관 수립 및 운동 독서, 영어공부 등에 좀 더 많은 시간을 할애해야겠다.

단타 : 프리장에서 상승

ksc036 — Wed, 27 May 2026 23:13:29 +0900

어제 저녁부터 상승한 soxl을 보고 처음에는 조금만 가지고 있다가 프리장에 많이 샀다. +400만원이 넘어가는 수익을 보고도 어제도 프리장에서 많이오르다가 더올랐으니깐 오늘도 그렇겠지라고 막연히 생각했다.

수익이 나도 익절하지 않고 초 단기로 들어갔는데 한번에 무너지니깐 수익이 한번에 +100만원까지 내려갔다.

심지어 그정도에서 익절해서 다행이지 아니였으면 음전할뻔했다. 많이 버는 것도 중요하지만 수익을 지키는 것도 중요한 것 같다.

이 사이 어딘가 줄을 잘 타는 방법이 없을까?

오늘 미국의 5년물 국채 입찰 결과가 있는 날이여서 2시전에 마무리를 할 생각이였지만 너무 욕심을 부렸던 것 같다.

독서리뷰 0526 - 하버드의 첫 강의 시간관리 수업

ksc036 — Tue, 26 May 2026 23:58:09 +0900

업무환경에서 시간을 절약할 수 있는 몇가지 팁을 읽었다.

업무를 진행중에 어떤 것을 요청받았다면 바로 컨텍스트를 전환하는 것이 아니라 양해를 구하고 기록을 간략하게 한 뒤에 집중을 전환하는 것과 갑자기 방문 혹은 일을 맡아야하면 지금 당장 처리해야하는 건지 확실하게 물어보는 것 등에 대한 이야기였다.

방해 요소를 최소한으로 줄이고 개선할 수 있는 방안도 꾸준히 생각해보아야한다.

상승장의 일시적 하락시 대응법

ksc036 — Tue, 26 May 2026 22:57:52 +0900

2026년05월 26일 반도체지수 SOXX와 레버리지상품SOXL의 수익률이 엄청나다.

최근에 SOXL이 거의 20~30프로 정도 조정을 받으면서 상승장이 끝난 것 아니냐는 추측이 있었는데, 견고한 실적과 함께 계속 상승사이클이 지속되고 있다.

전쟁과 공급망 불안이라는 악재속에서도 빅테크에서 계속 투자를 늘린다고하고, 반도체 가격의 상승으로 인해서 반도체업계의 수익성이 개선되는 결과가 나왔다.

근본적인 상승사이클이 지속될 것이라는 생각이 들면 일시하락시에 많은 비중을 상승하는 섹터에 넣어놔도 괜찮을 것 같다.

Cell Detection with Star-Convex Polygons

ksc036 — Tue, 26 May 2026 15:29:13 +0900

StarDist 논문 정리: 세포·핵 검출을 별 모양 다각형으로 해결하는 방법

현미경 이미지에서 세포나 핵을 자동으로 검출하고 분할하는 작업은 생물학 연구에서 매우 중요하다. 세포 개수 측정, 세포 형태 분석, 세포 추적, 질병 관련 이미지 분석 등 다양한 연구에서 기본 단계로 사용되기 때문이다.

이번에 정리한 논문은 **“Cell Detection with Star-Convex Polygons”**로, 흔히 StarDist라고 부르는 방법을 제안한 논문이다. 이 논문은 MICCAI 2018에 발표되었고, Uwe Schmidt, Martin Weigert, Coleman Broaddus, Gene Myers가 저자이다. 논문에서는 crowded cell, 즉 세포나 핵이 서로 붙어 있거나 겹쳐 보이는 상황에서 기존 방식들이 가지는 한계를 해결하기 위해 star-convex polygon, 별 모양 볼록 다각형 기반의 세포 검출 방법을 제안한다.

1. 왜 StarDist가 필요한가?

현미경 이미지에서 세포나 핵을 분할할 때 가장 흔한 문제는 붙어 있는 세포를 하나로 합쳐버리는 것이다.

기존의 대표적인 방식은 크게 두 가지로 볼 수 있다.

첫 번째는 픽셀 단위 분할 방식이다.
U-Net처럼 이미지의 각 픽셀을 세포인지 배경인지 분류한 뒤, 연결된 픽셀들을 하나의 객체로 묶는다. 이 방식은 단순하고 성능도 좋지만, 세포들이 서로 붙어 있으면 경계가 조금만 잘못 예측되어도 두 세포가 하나로 합쳐지는 문제가 발생한다.

두 번째는 객체 검출 방식이다.
Mask R-CNN처럼 먼저 bounding box를 찾고, 그 안에서 마스크를 예측하는 방식이다. 하지만 세포나 핵은 사각형으로 표현하기 애매한 경우가 많다. 특히 세포가 비스듬하게 붙어 있으면 bounding box가 많이 겹치게 되고, NMS 과정에서 실제 존재하는 세포가 제거될 수 있다.

논문 Fig. 1에서도 이런 문제가 잘 나타난다. 붙어 있는 세포가 하나로 병합되거나, bounding box가 겹쳐서 유효한 세포 인스턴스가 억제되는 사례를 보여준다.

2. StarDist의 핵심 아이디어

StarDist의 핵심은 세포나 핵을 bounding box가 아니라 별 모양 다각형으로 표현하는 것이다.

세포 중심 근처의 한 픽셀에서 여러 방향으로 선을 뻗는다. 그리고 각 방향마다 세포 경계까지의 거리를 예측한다. 예를 들어 32개의 방향을 사용한다면, 한 픽셀에서 32개의 반지름 길이를 예측하게 된다.

이 거리들을 연결하면 하나의 다각형이 만들어진다. 이 다각형이 바로 해당 세포 또는 핵의 형태를 나타낸다.

즉 StarDist는 각 픽셀마다 다음 두 가지를 예측한다.

이 픽셀이 객체 내부에 있을 확률
이 픽셀을 중심으로 여러 방향의 경계까지 거리

논문에서는 객체 확률을 단순한 세포/배경 분류값으로 두지 않고, 배경까지의 거리 기반 값으로 정의한다. 이렇게 하면 세포 중심에 가까운 픽셀이 더 높은 확률을 가지게 되고, NMS 과정에서 중심부에서 나온 polygon이 선택될 가능성이 높아진다.

3. 모델 구조

StarDist는 복잡한 모델을 사용하는 것이 아니라, 비교적 단순한 U-Net 기반 구조를 사용한다.

U-Net의 마지막 feature layer 뒤에 추가 convolution layer를 붙이고, 출력은 두 갈래로 나뉜다.

첫 번째 출력은 object probability map이다.
각 픽셀이 객체 내부인지, 그리고 중심에 가까운지를 나타낸다.

두 번째 출력은 radial distance map이다.
각 픽셀에서 여러 방향으로 객체 경계까지의 거리를 예측한다.

논문 실험에서는 보통 32개의 radial direction을 사용한다. 즉 각 픽셀마다 32방향의 거리값을 예측하고, 이를 이용해 다각형 형태의 세포 인스턴스를 만든다.

4. 학습 방식

StarDist는 두 가지 loss를 사용한다.

object probability에 대해서는 일반적인 binary cross entropy loss를 사용한다.

polygon distance에 대해서는 mean absolute error loss를 사용한다. 다만 모든 픽셀을 동일하게 보지 않고, ground truth object probability로 가중치를 준다. 즉 배경 픽셀은 거의 영향을 주지 않고, 세포 중심에 가까운 픽셀일수록 더 중요하게 학습된다.

이 방식은 NMS 과정과도 잘 맞는다. 실제 추론에서는 중심에 가까운 픽셀에서 나온 polygon이 선택될 가능성이 높기 때문에, 학습에서도 중심부의 distance 예측을 더 중요하게 보는 것이다.

5. 추론 과정: NMS 사용

모델이 이미지를 통과하면 각 픽셀마다 polygon 후보가 나온다. 하지만 모든 픽셀에서 나온 polygon을 그대로 사용하면 너무 많은 후보가 생긴다.

그래서 StarDist는 object probability가 일정 threshold 이상인 픽셀만 후보로 사용하고, 그중에서 Non-Maximum Suppression, 즉 NMS를 적용한다.

NMS는 겹치는 후보들 중 확률이 높은 polygon만 남기는 과정이다. 기존 객체 검출에서도 많이 사용하는 방식이지만, StarDist에서는 bounding box가 아니라 polygon끼리의 겹침을 기준으로 후보를 제거한다.

결과적으로 최종적으로 남은 polygon들이 각각 하나의 세포 또는 핵 인스턴스가 된다.

6. 실험 데이터셋

논문에서는 세 가지 데이터셋을 사용했다.

첫 번째는 Toy dataset이다.
인위적으로 만든 데이터셋으로, 서로 닿아 있는 반타원 형태의 객체들이 포함되어 있다. bounding box 기반 방법의 한계를 보여주기 위해 만든 데이터셋이다.

두 번째는 TRAgen dataset이다.
세포 분열, 형태 변화, 카메라 노이즈, 현미경 blur 등을 포함한 합성 세포 이미지 데이터셋이다. 매우 crowded한 세포 상황을 시뮬레이션한다.

세 번째는 DSB2018 dataset이다.
2018 Data Science Bowl의 세포핵 이미지 데이터셋 중 fluorescence microscopy image 일부를 사용했다. 논문에서는 라벨 오류가 있는 이미지를 제거하고 총 497장의 이미지를 사용했다.

7. 비교한 방법들

논문에서는 StarDist를 다음 방법들과 비교했다.

U-Net 2-class는 세포와 배경만 구분한다.
구조는 단순하지만, 붙어 있는 세포를 잘 분리하지 못하는 문제가 있다.

U-Net 3-class는 세포, 배경, 경계 픽셀을 추가로 구분한다.
세포 경계를 별도 클래스로 예측하기 때문에 crowded cell에서 2-class U-Net보다 유리하다.

Mask R-CNN은 bounding box 기반 region proposal과 mask segmentation을 결합한 대표적인 instance segmentation 방법이다. 성능은 강력하지만 파라미터 수가 많고, hyperparameter tuning이 필요하다.

StarDist는 U-Net backbone에 star-convex polygon 예측을 결합한 방식이다. 논문에서는 32개의 radial direction을 사용했다.

8. 실험 결과

Toy dataset에서는 StarDist와 U-Net 계열 방법들이 좋은 성능을 보였다. 특히 StarDist는 bounding box 기반 방법이 어려워하는 기울어진 객체나 서로 닿아 있는 객체에서도 좋은 결과를 냈다.

TRAgen dataset에서도 StarDist는 높은 성능을 보였다. U-Net 2-class는 붙어 있는 세포를 병합하는 문제가 있었지만, StarDist는 crowded cell에서도 비교적 안정적인 결과를 보였다.

가장 중요한 실제 데이터셋인 DSB2018에서는 StarDist가 IoU threshold 0.75 미만 구간에서 다른 방법들보다 좋은 성능을 보였다. 논문 Table 1에 따르면 DSB2018에서 IoU 0.50 기준 AP는 StarDist가 0.8641, Mask R-CNN이 0.8323, U-Net 3-class가 0.8060, U-Net 2-class가 0.6739였다.

다만 IoU threshold가 아주 높아질수록 StarDist의 성능은 떨어지는 경향이 있다. 이는 StarDist가 픽셀 단위의 자유로운 마스크가 아니라 32방향의 parametric shape model로 객체를 표현하기 때문이다. 아주 정밀한 경계 표현에서는 per-pixel segmentation 방식이 더 유리할 수 있다.

9. StarDist의 장점

StarDist의 가장 큰 장점은 붙어 있는 세포나 핵을 잘 분리할 수 있다는 점이다.

기존 U-Net 방식은 경계가 조금만 잘못 예측되어도 두 세포를 하나로 합칠 수 있다. 반면 StarDist는 각 세포를 하나의 polygon 객체로 직접 예측하기 때문에 crowded cell 상황에서 더 안정적이다.

또 다른 장점은 Mask R-CNN보다 단순하고 가볍다는 점이다. 논문에서는 Mask R-CNN이 약 4,500만 개의 파라미터를 가지는 반면, StarDist는 훨씬 작은 U-Net 기반 구조를 사용한다고 설명한다. 그래서 학습과 사용이 비교적 쉽고, hyperparameter도 적다.

또한 StarDist는 실수하더라도 비교적 자연스러운 형태의 세포 모양을 예측한다. 논문에서는 이를 “gracefully”라고 표현하는데, 잘못 예측하더라도 이상한 구멍이 생긴 마스크나 불규칙한 형태보다는 그럴듯한 세포 형태를 유지하는 경향이 있다는 의미다.

10. 한계점

StarDist는 모든 객체에 적합한 방법은 아니다.

StarDist는 이름 그대로 star-convex한 형태, 즉 중심점에서 경계까지 방사형으로 표현하기 좋은 형태에 적합하다. 세포핵처럼 둥글거나 타원형에 가까운 객체에는 잘 맞지만, 매우 길쭉하거나 복잡하게 휘어진 형태, 가지가 많은 구조에는 한계가 있을 수 있다.

또한 32개의 방향으로 경계를 표현하기 때문에 아주 정밀한 경계가 필요한 경우에는 픽셀 단위 segmentation보다 불리할 수 있다. 논문에서도 높은 IoU threshold에서는 StarDist가 synthetic dataset에서 상대적으로 낮은 결과를 보이는 이유를 이 parametric shape representation 때문이라고 설명한다.

11. 정리

StarDist는 세포나 핵을 사각형 bounding box가 아니라 별 모양 다각형으로 표현하는 instance segmentation 방법이다.

이 방법은 특히 세포가 많이 붙어 있는 crowded microscopy image에서 강점을 가진다. U-Net처럼 픽셀을 먼저 분류한 뒤 묶는 방식은 붙어 있는 세포를 하나로 합치는 문제가 있고, Mask R-CNN처럼 bounding box를 사용하는 방식은 세포 형태를 사각형으로 근사하면서 문제가 생길 수 있다.

StarDist는 각 픽셀에서 객체 확률과 여러 방향의 경계 거리값을 예측하고, NMS를 통해 최종 세포 인스턴스를 선택한다. 구조는 U-Net 기반이라 비교적 단순하지만, 실제 microscopy image dataset에서 강력한 성능을 보였다.

다만 모든 형태의 객체에 적합한 것은 아니다. 둥글거나 타원형에 가까운 세포핵에는 잘 맞지만, 복잡한 구조나 매우 정밀한 경계가 필요한 경우에는 다른 segmentation 방법이 더 적합할 수 있다.

개인적으로 이 논문은 세포 이미지 분석에서 “객체를 어떤 형태로 표현할 것인가”가 성능에 얼마나 큰 영향을 주는지 잘 보여주는 사례라고 생각한다. 단순히 모델을 더 크게 만드는 것이 아니라, 문제의 특성에 맞는 표현 방식을 선택하는 것이 중요하다는 점에서 의미 있는 논문이다.

프로그래머스 - 기능개발

ksc036 — Tue, 26 May 2026 11:15:47 +0900

https://school.programmers.co.kr/learn/courses/30/lessons/42586

프로그래머스

SW개발자를 위한 평가, 교육의 Total Solution을 제공하는 개발자 성장을 위한 베이스캠프

programmers.co.kr

import math
def solution(progresses, speeds):
    answer = []
    remainDay = []
    n = len(progresses)
    for i in range(n):
        remainDay.append(int(math.ceil((100-progresses[i])/speeds[i])))
    
    maxDay = -1
    count = 0
    for i in range(n):
        if maxDay < remainDay[i]:
            if count != 0:
                answer.append(count)
            maxDay = remainDay[i]
            count = 1
        else:
            count += 1
    if count != 0:
        answer.append(count)
    
    return answer