backbone 모델에 linear(FCN)붙여서 linear만 학습하는 것. <-> (fine-tuning은 모든 backbone을 학습하는 것.

→ linear evaluation: linear probe로 학습한걸로 평가한거

더 설명하자면 feature의 quality 평가하는 것처럼 볼 수 있음. fine-tuning은 모델의 마지막 layer의 output을 classifier의 input으로 이용하는 반면, linear probing에서는 중간 layer의 output을 사용하는 것이 더 좋다고 함.

pre-trained model을 이용해서 input image X에 대한 feature vector f_X를 얻어낸 뒤,

(X,Y)대신 (f_X,Y)를 가지고 linear classifier를 훈련시키는 거야.

개방 주소법(open addressing)

• 테이블의 크기(M) > 원소의 수(N)을 유지하며, 빈 공간을 collision 해결에 사용
• Linear probing은 개방 주소법의 가장 단순한 형태

선형 탐색법(linear probing)

• h(key) -> 0 부터 M – 1 사이의 주소 i를 반환

• get(key)의 구현

• i에 찾는 key가 존재할 경우: search hit

• i가 null이면: search miss

• i에 다른 key가 저장되어 있으면: collision 발생

• (i + 1) % M부터 이후 주소를 계속 검사

• 언제까지? -> NULL 을 발견하거나 Key를 찾을때까지 아래로 내려가면서 검사