12.2 computer vision

컴퓨터 비전은 심층 학습의 응용에서 가장 활발하게 연구된 분야 중 하나, 

이는 시각 인식이라는 것이 컴퓨터에게는 아주 어려운 과제이기 때문, 

 

컴퓨터 비전은 아주 광범위한 분야, 이미지를 처리하는 방식도 다양하고 그 결과를 응용하는 방법도 대단히 다양하다.

 

그러나 컴퓨터 시각에 관한 대부분의 심층 학습 연구는 이미지로 할 수 있는 일의 범위를 좀 더 넓히련느 그런 이색적인 응용보다는 인간의 능력을 복제하는 것이 목적인 적은 수 의 AI 핵심 목표들에 초점을 둔다.

 

대부분의 심층 학습 시스템은 어떤 형태이든 물체 인식 또는 물체 검출을 수행한다.

 

12.2.1 전처리

원본 입력이, 심층 학습 아키텍처가 표현하기 어려운 형태일 때가 많이 있다. 그런 경우 정교한 전처리 preprocessing 가 필요하다. 

일반적으로 컴퓨터 비전에는 그런 종류의 전처리가 그리 필요하지 않다. 이미 입력 이미지의 모든 픽셀이 적당한 범위로 정규화되어 있기 때문이다.

컴퓨터 비전에 필요한 전처리는 이미지들을 크기로 통일하는 것뿐이다. 많은 컴퓨터 비전 아키텍처는 이미지들이 표준 크기이어야 한다는 요구조건을 가지고 있다. 따라서 원본 이미지들을 그 크기에 맞게 잘라내거나 비례하는 전처리 과정이 필요하다.

그러나 일부 합성곱 모형은 가변 크기 이미지를 입력받고 자신의 풀링 영역의 크기를 동적으로 조정해서 출력 크기를 일정하게 유지한다.

또 어턴 합성곱 모형들은 출력의 크기를 입력의 크기에 맞게 자동으로 조정한다. 이미지의 잡음을 제거하거나 각 픽셀에 이름을 부여한느 모형이 그런 예이다.

 

자료 집합 증강을 훈련 집합에만 적용하는 일종의 전처리로 볼 수 있다. 대부분의 컴퓨터 비전 모형에서 자료 집합 증강은 일반화 오차를 줄이는 데 탁월한 방법이다. 

시험 시점에더 적용할 수 있는 관련 기법 하나는, 모형에 같은 입력의 서로 다른 여러 버전을 보여주어서 각각 출력을 얻고, 그 출력들에 다수결을 ㄱ적용해서 최종 출력 산출 (앙상블과 비슷)