컴퓨터 비전 분야에서의 딥 러닝 응용 사례

이 강의는 CU 볼더 대학교의 데이터 과학 석사(MS-DS) 학위 과정의 일부로써 학점 인정이 가능하며 Coursera 플랫폼을 통해 제공됩니다. MS-DS는 CU 볼더 대학교의 응용 수학, 컴퓨터 과학, 정보 과학 및 기타 여러 학과 교수진이 모여 만든 학제간 학위 과정입니다. MS-DS는 능력에 따라 입학이 허가되고 지원 절차가 없기 때문에 컴퓨터 과학, 정보 과학, 수학 및 통계학 분야에 대해 광범위한 학부 과정을 이수하고 전문 경험이 풍부한 사람에게 이상적인 과정입니다. MS-DS 과정에 대한 정보는 링크(https://www.coursera.org/degrees/master-of-science-data-science-boulder)를 통해 확인하실 수 있습니다. 본 강의에서 여러분은 학습 및 연구 분야인 컴퓨터 비전에 대해 배웁니다. 먼저 고전적인 컴퓨터 비전 관점에서 몇 가지 컴퓨터 비전 과제와 추천 접근법을 살펴봅니다. 다음으로는 딥 러닝 기법을 소개하고 이를 동일한 문제에 적용해 보겠습니다. 그 후 결과를 분석하고 두 기법의 장단점을 알아보겠습니다. 또한 튜토리얼을 통해 최신 머신 러닝 툴 및 소프트웨어 라이브러리를 실습해봅니다. 딥 러닝을 활용할 수 있는 컴퓨터 비전 과제에는 이미지 분류, 국소화를 통한 이미지 분류, 객체 감지, 객체 분할, 얼굴 인식, 움직임 또는 자세 추정 등이 있습니다.

• 강의 개요 및 배경
• 이번 단원에서는 컴퓨터 비전 분야를 알아봅니다. 컴퓨터 비전은 이미지에서 정보를 추출하는 것을 목표로 합니다. 컴퓨터 비전 과제의 주요 범주를 살펴본 뒤, 각 범주에 해당하는 응용 사례를 살펴보겠습니다. 머신 러닝 및 딥 러닝 기법의 도입이 컴퓨터 비전 분야에 어떤 영향을 주었는지 알아보겠습니다.
• 고전 컴퓨터 비전 툴
• 이번 단원에서는 고전적 컴퓨터 비전 툴 및 기법에 대해 알아봅니다. 합성곱 연산, 선형 필터, 그리고 이미지 특징을 감지하는 알고리즘을 알아봅니다.
• 컴퓨터 비전에서의 이미지 분류
• 이번 단원에서는 첫 번째로 고전 컴퓨터 비전에서의 객체 인식의 문제점을 복습합니다. 다음으로 고전 컴퓨터 비전 파이프라인을 통해 객체 인식 및 이미지 분류를 수행하는 단계를 살펴봅니다.
• 신경망 및 딥 러닝
• 이번 단원에서는 신경망을 사용한 이미지 분류 파이프라인이 고전 컴퓨터 비전 툴과 어떻게 다른지 비교해 보겠습니다. 그 후 신경망의 기본적인 요소에 대해 복습하겠습니다. 텐서 플로우 튜토리얼을 통해 이미지 분류 예측을 위해 신경망을 구축, 훈련 및 사용하는 방법을 실습하고 마무리 하겠습니다.
• 합성곱 신경망 및 딥 러닝 고급 툴
• 이번 단원에서는 합성곱 신경망의 구성 요소를 알아보겠습니다. 심층 신경망을 설명하는 매개변수와 초매개변수에 대해 배우고 이들이 어떻게 딥 러닝 모델의 정확도를 개선해주는지 알아보겠습니다. 텐서 플로우 튜토리얼을 통해 이미지를 분류하는 딥 신경망 구축, 훈련 및 사용을 실습하고 마무리 하겠습니다.