Computer Vision
컴퓨터 비전의 개념과 중요성
컴퓨터 비전의 역사
컴퓨터 비전의 실험은 1950년대에 처음으로 이뤄졌는데, 여기에는 객체의 가장자리를 감지하고 단순한 형태의 개체를 원이나 사각형 같은 범주로 분류하는 최초의 신경망이 사용됐습니다. 1970년대에 최초로 상용화된 컴퓨터 비전은 광학 문자 인식 기법을 사용하여 활자체나 필기체를 해석했습니다. 이 같은 선진 기술은 시각 장애인용 서체를 해석하는 데 사용됐습니다.
1990년대에 인터넷의 보편화로 인해 온라인에서 대량의 이미지를 분석에 사용할 수 있게 되자 안면 인식 프로그램이 확산되었습니다. 증가한 데이터 세트 덕분에 컴퓨터가 사진과 동영상 속의 인물을 식별할 수 있게 된 것입니다.
오늘날에는 여러 가지 요소가 융합되면서 컴퓨터 비전이 부흥하고 있습니다.
카메라가 내장된 모바일 기기의 등장으로 사진과 동영상이 기하급수적으로 증가했습니다.
컴퓨터 가격이 저렴해지면서 쉽게 구입할 수 있게 됐습니다.
그리고 컴퓨터 비전 및 분석용으로 설계된 하드웨어가 널리 사용되었습니다.
또한 CNN(Convolutional Neural Network) 같은 새로운 알고리즘이 하드웨어 및 소프트웨어 기능을 활용할 수 있게 되었습니다.
이러한 발전은 컴퓨터 비전 분야에 엄청난 영향을 미쳤습니다. 객체 식별 및 분류 정확도가 10년 만에 50%에서 99%로 상승했으며 오늘날의 시스템은 사람보다 더 우수한 정확도로 시각적 입력 정보를 빠르게 감지하여 반응합니다.
컴퓨터 비전은 퍼즐 맞추기와 유사한 특성을 갖고 있습니다.
컴퓨터는 퍼즐을 맞출 때와 동일한 방식으로 시각적 이미지를 조합합니다.
퍼즐을 맞추는 과정을 떠올려 보십시오. 퍼즐 조각이 있으면 하나씩 맞춰서 하나의 이미지를 완성해야 합니다. 컴퓨터 비전용 신경망의 작동 원리도 이와 동일합니다. 신경망은 하나의 이미지를 이루는 많은 조각들을 구별하고 가장자리를 식별한 후 이미지의 일부를 모델링합니다. 심층 신경망 계층을 통한 필터링과 일련의 동작을 사용하여 (퍼즐을 맞출 때와 마찬가지로) 모든 조각을 하나의 이미지로 조립할 수 있습니다.
완성해야 할 이미지가 상자 위에 그려진 퍼즐과 달리, 컴퓨터에는 학습을 통해 특정한 이미지를 인식할 수 있도록 수백 또는 수천 개의 관련 이미지가 입력됩니다.
프로그래머는 컴퓨터가 수염, 꼬리, 뾰족한 귀를 구별하여 고양이를 인식하도록 학습시키는 것이 아니라 수백만 장의 고양이 사진을 업로드합니다. 그러면 인지 모델이 고양이의 다양한 외형적 특성을 스스로 학습합니다.
컴퓨터 비전의 활용 현황
컴퓨터 비전은 안면 인식부터 축구 경기 실황 영상 처리에 이르기까지 많은 분야에서 인간에 필적하거나 인간을 능가하는 시각적 능력을 발휘하고 있습니다.
딥 러닝과 컴퓨터 비전
딥 러닝이 컴퓨터의 시각적 인지 능력을 어떻게 학습시키는지 궁금하십니까? 각종 신경망의 작동 원리와 더불어 신경망이 컴퓨터 비전에 사용되는 방식을 살펴보십시오.
안면 인식 데모
안면 인식 및 컴퓨터 비전에 필요한 기본 기술 및 데이터 처리 단계에 대해 알아보십시오. 이 데모에서는 SAS® Viya® 모델이 얼굴 이미지를 감지, 조정, 표현 분류하는 방법을 소개합니다.
컴퓨터 비전의 용도
컴퓨터 비전은 여러 산업분야에서 소비자 경험을 개선하고 비용을 절감하며 보안을 강화하는 데 사용됩니다.
제조업
제조 산업에 종사하는 기업의 경우 컴퓨터 비전을 활용하여 제품의 결함 여부를 실시간으로 식별합니다. 제품의 크기가 아무리 작더라도 컴퓨터가 완제품의 이미지나 동영상을 처리하여 수십 가지의 결함을 식별해냅니다.
의료 서비스
의료 분야에서 컴퓨터 비전 시스템은 MRI, CAT 스캔, X 레이의 이미지를 철저히 검사하여 의사처럼 정확하게 이상 징후를 감지합니다. 또한 의료 전문가는 초음파 같은 3차원 이미지에 신경망을 사용하여 심박 등의 시각적 차이를 감지할 수 있습니다.
보험
보험 회사는 컴퓨터 비전을 사용하여 차량의 파손 상태를 보다 일관적이고 정확하게 측정할 수 있습니다. 또, 사기를 줄이고 보상금 신청 프로세스를 간소화할 수 있습니다.
방위 및 보안
은행이나 카지노 같은 보안이 중시되는 산업에 종사하는 기업은 컴퓨터 비전을 활용하여 거액을 교환하는 고객의 신원을 보다 정확히 식별할 수 있습니다. 보안 관리자와 달리, 컴퓨터 비전 알고리즘은 수백 개의 비디오 피드를 한꺼번에 분석할 수 있습니다.
컴퓨터 비전 기술을 사용하는 산업에 관한 상세 정보
- Automotive
- Banking
- Capital Markets
- Casinos
- Communications
- Consumer Goods
- Defense & Security
- Government
- Health Care
- High-Tech Manufacturing
- Higher Education
- Hotels
- Insurance
- Life Sciences
- Manufacturing
- Media
- Midsize Business
- Oil & Gas
- P-12 Education
- Retail Analytics
- Sports Analytics
- Travel & Transportation
- Utilities
컴퓨터 비전은 딥 러닝 및 인공 지능 분야에서 가장 주목할만한 기술 중 하나로 손꼽힙니다. 컴퓨터 비전은 딥 러닝의 지원에 힘입어 독자적인 분야로 발돋움했습니다. Wayne Thompson SAS Data Scientist
야생 동물 보호에 활용되는 컴퓨터 비전
야생 동물 이동 경로를 분석할 수 있도록 설계된 컴퓨터 비전 모델의 작동 원리를 살펴보십시오. 야생 동물 추적기와 유사하게 발자국을 인식하도록 컴퓨터를 학습시킬 수 있다면 믿으시겠습니까? 컴퓨터가 어떻게 다양한 정보 계층을 처리하여 야생 동물의 종류와 성별을 구분하는지 살펴보십시오. 이 동영상에서는 SAS 고급 분석 기술 R&D 수석 관리자인 Jared Peterson씨가 출연하여 신경망이 컴퓨터 비전을 어떻게 지원하는지 설명합니다.
컴퓨터 비전 작동 원리
컴퓨터 비전은 기본적으로 아래의 세 단계를 거칩니다.
이미지 수집
동영상, 사진 또는 3D 기술을 통해 분석할 (심지어 대량의) 이미지를 실시간으로 수집할 수 있습니다.
이미지 처리
딥 러닝 모델에는 이미지 수집 프로세스의 대부분이 자동화되어 있지만 라벨이 부착된 수천 개의 이미지를 먼저 업로드하여 학습시키는 경우도 있습니다.
이미지 파악
마지막 단계는 객체를 식별하거나 분류하는 해석 단계입니다.
오늘날의 AI 시스템은 한 단계 더 나아가 이미지에 대한 이해를 토대로 조치를 취할 수 있습니다. 여러 가지 컴퓨터 비전이 다음과 같은 다양한 용도로 사용됩니다.
- 이미지 분할은 이미지를 여러 영역 또는 조각으로 분할하여 각기 따로 검사합니다.
- 객체 감지는 이미지 속의 특정 객체를 식별합니다. 고급 객체 감지 모델은 하나의 이미지에 존재하는 다수의 객체(예: 축구장, 공격수, 수비수, 축구공 등)를 인식합니다. 이 모델은 XY 좌표를 사용하여 경계 박스를 생성하고 그 안의 모든 것을 식별합니다.
- 안면 인식은 이미지 속의 사람 얼굴을 인식할 뿐만 아니라 개인의 신원을 식별하는 고급 객체 감지 기술입니다.
- 경계 감지는 이미지의 내용을 보다 정확히 파악하기 위해 객체 또는 풍경의 바깥쪽 경계를 식별하는 데 사용되는 기술입니다.
- 패턴 감지는 이미지에서 반복되는 모양이나 색상, 기타 시각적 표시를 인식하는 프로세스입니다.
- 이미지 분류는 이미지를 여러 범주로 분류합니다.
- 특징 매칭는 이미지의 유사성을 대조하여 분류하는 일종의 패턴 감지 기법입니다.
단순한 컴퓨터 비전 응용 프로그램은 이러한 기술 중 하나만 지원하지만 자율 주행 자동차용 컴퓨터 비전과 같은 고급 기술은 여러 가지 기술을 사용하여 목적을 달성합니다.
Featured product for Computer Vision
SAS® Visual Data Mining and Machine Learning
SAS 솔루션은 딥 러닝 외에도 클러스터링, 다양한 회귀분석, 랜덤 포리스트, 그래디언트 부스팅(Gradient Boosting) 모델, 서포트 벡터 머신(Support Vector Machine), 감성 분석 등을 지원합니다. 대화형 방식의 시각 파이프라인 환경은 논리적 순서대로 발생하는 일련의 색 분류 체계로 각 프로젝트(또는 목표)를 표현합니다.
Recommended reading
-
기사
Three steps for conquering the last mile of analyticsPutting your analytical models into production can be the most difficult part of the analytics journey. It’s no surprise that this last mile of analytics – bringing models into deployment – is the hardest part of digital transformation initiatives for organizations to master, yet it’s the most crucial.
-
기사
인공 지능의 인간미글로벌 문제를 해결하기 위해 인공 지능과 인간이 힘을 모으면 어떻게 될까?
-
기사
Artificial intelligence, machine learning, deep learning and moreArtificial intelligence, machine learning and deep learning are set to change the way we live and work. How do they relate and how are they changing our world?
