Virtual World

시분할(Time Sharing)은 하나의 컴퓨터 자원을 여러 사용자가 시간을 나눠가며 동시에 사용하는 것처럼 보이게 만드는 기술입니다.혹은, 한 사용자가 여러 작업을 동시에 수행하는 것처럼 보이게 만들기도 합니다. 예를 들어, 컴퓨터로 노래를 들으면서 게임을 하고 있는데, 그 와중에 친구에게 카카오톡 메시지가 도착했다고 해봅시다.사실 컴퓨터는 한 번에 하나의 작업만 처리할 수 있는 구조입니다.하지만 CPU는 각 작업에 아주 짧은 시간(몇 밀리초)을 번갈아가며 배정해주기 때문에 사용자는 마치 노래, 게임, 메신저가 동시에 작동하는 것처럼 느끼게 됩니다.이처럼 짧은 시간 단위로 작업을 나누어 번갈아 실행하는 방식이 바로 시분할(Time Sharing)입니다. UNIX는 시분할(Time Sharing) 시스..

목차1. 3D Tiles 개요2. B3DM (Batched 3D Model)3. B3DM이 필요한 이유4. B3DM이 제공하는 해결책5. B3DM의 식별성과 속성 관리6. B3DM 내부 구조  6-1. Header  6-2. Body    6-2-1. Feature Table (* 필수)    6-2-2. Batch Table (선택)    6-2-3. Binary glTF 또는 GLB (* 필수)7. B3DM Padding 정렬 규칙8. B3DM 요약9. 참고 자료3D Tiles 개요3D Tiles는 대규모 3차원 공간 데이터를 웹에서 효율적으로 스트리밍하고 렌더링하기 위한 오픈 표준 포맷입니다.주로 CesiumJS, Google Maps, NVIDIA Omniverse와 같이 3D GIS, BIM, ..

개요glTF (GL Transmission Format)은 3D 콘텐츠의 효율적인 송수신 및 로딩을 위한 표준 파일 포맷입니다. JSON으로 메타데이터를 정의하며, 바이너리(blob) 데이터를 통해 정점, 텍스처, 애니메이션 등의 실질 데이터를 포함합니다.텍스트(JSON) + 바이너리(Buffer) 구조파일 포맷:.gltf : JSON + 외부 bin + 외부 texture.glb : JSON + bin + texture를 하나의 바이너리로 내장⚠️ 주의: glTF 또는 GLB는 3D Tiles 포맷이 아니고, 3D Tiles 의 구성 요소가 될 수는 있습니다. glTF 객체 계층 구조glTF는 JSON 구조로 메타데이터를 표현하고, 바이너리로 실제 데이터(buffer)를 저장합니다.주요 구성 요소:sc..

딥러닝이 다양한 분야에 활용되면서 텍스트, 음성, 이미지, 시계열 데이터와 같이 시간적 흐름이나 공간적 패턴을 가진 데이터를 다루는 일이 많아졌습니다. 이러한 데이터를 효과적으로 처리하기 위해 다양한 신경망 구조들이 제안되었고, 각 모델은 목적과 특성에 따라 다양한 분야에서 사용되고 있습니다. 이 글에서는 대표적인 딥러닝 모델인 RNN, LSTM, GRU, CNN, Transformer의 개념과 특징을 간단하게 정리해 보았습니다. (내용 중 잘못된 부분이 있다면 알려주시면 감사하겠습니다.) RNN (Recurrent Neural Network) RNN은 문장이나 음성처럼 순차적인 데이터를 처리하기 위해 고안된 구조입니다.이전 단계의 출력을 현재 입력과 함께 처리함으로써, 시간에 따라 정보를 누적하고 기억..

개요우리가 눈으로 보는 도형은 사각형, 오각형, 심지어 원이나 구처럼 생겼지만,컴퓨터 그래픽스의 세계에선 모든 도형이 결국 삼각형으로 쪼개집니다왜일까요?삼각형은 항상 평면 위에 존재하고, 수학적으로 안정적이며, GPU가 직접 처리할 수 있는 기본 단위이기 때문입니다. 이런 이유로 복잡한 다각형을 삼각형으로 나누는 과정, 즉 삼각화(Triangulation)는 컴퓨터 그래픽스, 게임, CAD, 심지어 로봇의 경로 탐색(Path Planning)까지 다양한 분야에서 사용됩니다. 이 글에서는 삼각화 알고리즘 중 하나인 Ear Clipping 알고리즘을 소개하고,그 원리와 구현 방법, 시각화를 통해 삼각화 과정을 직접 따라가 보겠습니다. Ear Clipping 알고리즘을 수행하기 위해서는 폴리곤이 그림1의 si..

목차정수 및 부동 소수점 곱셈 방법정수 및 부동 소수점 나눗셈 방법나눗셈이 더 느린 이유$0.1$과$\frac{1}{10}$은 같지만 다른 이유 (?)코드로 실제 연산 속도 비교요약 결론부터 말하면곱셈(*)과 나눗셈(/)의 연산 속도 차이는 나눗셈이 역수를 근사적으로 계산하는 과정과 하드웨어적인 차이에서 비롯됩니다. 곱셈은 덧셈과 비트 시프트를 병렬적으로 수행할 수 있어 하드웨어적으로 병렬 연산이 가능하지만, 나눗셈은 이전 단계의 결과를 확인한 후 다음 연산을 수행(병렬 연산 X)해야 하기 때문에 속도 차이가 발생합니다. 이 글에서는 "나눗셈이 역수를 근사적으로 계산하는 과정"에 대해 다룹니다.현재 아래 내용을 다루고 있지 않습니다. (따로 작성 할 예정)곱셈 알고리즘: Booth's Algorithm,..