TL;DR
컴퓨터 비전은 과거 전문가가 직접 특징을 정의하던 수동 특징 추출 방식에서 딥러닝 기반의 자동 학습 방식으로 진화했다. 1980년대 생물학적 영감을 받은 Neocognitron과 역전파 알고리즘이 토대를 마련했고, 2012년 AlexNet이 GPU와 대규모 데이터셋인 ImageNet을 활용해 CNN의 성능을 입증하며 주류로 부상했다. 이후 다양한 CNN 아키텍처가 비전 문제를 해결해 왔으나, 2017년 트랜스포머의 등장 이후 Vision Transformer와 같은 모델들이 대규모 데이터에서 CNN을 능가하며 파운데이션 모델 시대를 열었다.
챕터별 상세
생물학적 영감과 초기 신경망
Neocognitron은 현대 CNN의 조상 격인 모델로, 시각 피질의 계층적 구조를 인공 신경망으로 구현하려 했다.
역전파와 LeNet의 등장
역전파는 신경망 학습의 핵심 알고리즘으로, 오차를 역방향으로 전파하여 가중치를 최적화한다.
수동 특징 추출과 하드웨어/데이터의 발전
수동 특징 추출은 딥러닝이 대중화되기 전, 컴퓨터 비전의 성능을 결정짓던 핵심 기술이었다.
AlexNet과 CNN의 부활
AlexNet은 딥러닝이 컴퓨터 비전 분야에서 주류로 자리 잡게 만든 결정적인 모델이다.
CNN의 전성기
이 시기 CNN은 깊은 층을 쌓는 구조와 다양한 최적화 기법을 통해 성능을 극대화했다.
트랜스포머와 파운데이션 모델
트랜스포머는 어텐션 메커니즘을 통해 이미지의 전역적인 관계를 학습하며 비전 분야의 패러다임을 전환했다.
용어 해설
- 합성곱 신경망(CNN)
- — 이미지의 공간적 계층 구조를 학습하는 신경망 아키텍처다. 필터를 통해 특징을 추출하고 계층적으로 추상화하여 이미지 분류, 객체 탐지 등에 사용된다.
- 역전파(Backpropagation)
- — 신경망의 가중치를 효율적으로 업데이트하기 위한 알고리즘이다. 출력값의 오차를 입력 방향으로 거슬러 올라가며 미분값을 전달하여 경사 하강법을 수행한다.
- 수동 특징 추출(Handcrafted Features)
- — 딥러닝 이전 시대에 사용된 방식으로, 전문가가 직접 에지, 코너, 텍스처 등 이미지의 특징을 정의하고 추출하는 알고리즘이다.
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
