패스트캠퍼스 환급챌린지 56일차 : Part6.컴퓨터 비전(이론)

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

🚨5월 1일 00시 강의 가격 대폭 인상! | 패스트캠퍼스

Chapter1. Introduction
Ch01-01 강사소개
- 컴퓨터 비전은 다양한 분야가 묶여있음
- 컴퓨터 비전의 개념과 실무 적용에 대한 고민까지 다루는 과정

Ch01-02 컴퓨터 비전 소개
- 얼굴 인식, MRI 영상 분석, 자율 주행 분석 등 다양한 분야에서 컴퓨터 비전이 사용됨
- 이미지릉 컴퓨터가 인식하는 레벨
1) 로우 레벨
: 색상, 이미지 객체의 거리, 그림자
2) 미들 레벨
: 이미지 재구성, 뎁스 분석
3) 하이 레벨
: 이미지의 카테고리화와 사람 수준의 이해
- 디지털 이미지, 비디오에서 의미있는 정보를 추출, 정보를 바탕으로 작업을 실행하고 추천

Ch01-03 개발환경소개
- 이론 -> 데이터 구축 -> 모델 학습
- Colab과 PyTorch 사용

Ch02-01 데이터 셋 중요도
1) 데이터 셋의 정의
- 기계 학습 모델을 학습하는데 사용되는 데이터 컬렉셬
2) 데이터 셋의 역할
- 컴퓨터 비전 모델은 데이터 모음을 학습하는데, 데이터 모델에 따라 성능이 결정됨
- 데이터 셋의 크기
: 작은 데이터 셋은 실제 세계를 표현하는데 한계가 있음
: 대규모 데이터 셋은 새 데이터의 일반화까지 가능
- 데이터 셋틔 품질
: 레이블이나 주석이 잘 못되면 모델의 성능에 부정적임

Ch02-02 어노테이션
- 데이타 집합의 데이터에 정보 또는 레이블을 추가하는 프로세스
- 이미지에서 특정 개체의 존재, 위치, 속성을 나타내는 레이블
- 어노테이션의 종류
1) 바운딩 박스 : 객체의 위치 및 크기 정의
2) 키포인트 : 객체내의 특덩 관심 지점 표시
3) 세그멘테이션 : 객체의 경계를 정의 및 인식
4) 큐보이드 : 객체를 직육면체로 표현
- 어노테이션 방법
1) 수동 : 마우스, 스타일러스와 같은 도구를 사용. 이미지 내의 각 객체에 수동으로 레이블을 지정. 시간이 오래걸리지만 정확도가 올라감
2) 반자동 : 컴퓨터 지원도구응 사용하여 주석 프로세스의 속도를 높임. 정확성을 높이기 위해 사람의 입력이 필요
3) 자동 주석 : 컴퓨터 알고리즘을 통해 자동으로 레이블을 지정. 가장 빠르지만 정확도가 낮음