[오프+온라인 라이브 / 녹화본 제공]

컴퓨터비전 : 딥러닝 기반의
영상 인식 모델 구현

영상 인식의 핵심, Object Detection(객체 인식) Application 구현

강의 난이도
3.5/5
영상 인식의 핵심, Object Detection으로 영상 인식의 모든 것을 단 6주 만에!
딥러닝 기반 컴퓨터 비전, 그 중에서도 영상 인식을 위한 딥러닝을 위해서는 배워야 할 것이 많습니다.
많은 책과 논문, 그러나 어디서부터 시작해야할 지 모르는 여러분을 위해 준비했습니다.

영상 인식 프로세스가 모두 담긴 Object Detection을 통해 빠르게 핵심적인 내용을 배워갈 수 있습니다.
이를 완벽히 이해하기 위한 10개의 핵심 논문 리뷰와 6개의 모델 구현까지!

본 강의를 통해 딥러닝 컴퓨터 비전 전문가로서 Custom 데이터로부터 모델을 training 하여 자신만의 Object Detection 모델을 설계하는 능력을 키울 수 있습니다.
더 이상 길고 지루한 강의에 괴로워마시고 짧게 핵심만 담긴 강의를 통해 컴퓨터 비전 전문가가 되어보세요!

일정

21.08.01 ~ 21.09.05 | 총 6회
* 21.08.15 정상 진행
매주 일요일 14:00 ~ 17:00, 총 18시간

정원 및 준비물

총 15명
노트북

장소

러닝스푼즈 강의장
강남대로 94길 15, S2빌딩 4층
컴퓨터비전 중에서도
딥러닝이 가장 활발히 쓰이고 있는 영상 인식.
영상 인식
영상 인식
Object Detection
영상 인식의 모든 프로세스가 담긴 기술입니다.
Classification
인식된 문체가 고양이로 분류되는가?
영상 인식
Localization
어느 위치에 사물이 존재하는가?
영상 인식
Object Detection
이미지 내에 고양이가 검출되는가?
영상 인식
단점 보완을 통해 발전해 온 논문의 내용을 흐름에 따라 학습하면서
영상 인식 모델을 이해하고 실제 구현합니다.

이 강의에서는
영상인식 핵심 논문
10개 리뷰와 6개 구현 을 함께 진행합니다.

YOLO Object Detection application 제작을 통해
나의 custom data에 바로 적용 할 수 있습니다.

* custom data feedback 사례

이전 기수 수강생들이 직접 남겨주신 종강 피드백입니다.

현업에 종사하고 계신 강사님을 통해
이미지/영상 데이터의 특성 및 수학 지식까지 도와드리겠습니다.

* 실제 강의 교안

custom data를 만들기 위한 data labeling부터
실제 custom data 모델을 구현하고 application 제작까지!

| 강의특징

01
영상 인식의 끝, Object Detection으로 한번에.
본 과정은 실시간 영상 인식의 끝이라고 볼 수 있는 Object Detection을 주로 다루면서 Search, Localization, Classification, Object Detection까지 한번에 배우게 됩니다. 실제 영상 인식 프로세스를 경험해보며 보다 빠르고 쉽게 영상 인식 개념을 이해하고, 이를 적용해볼 수 있도록 강의를 진행합니다.
02
영상 인식 핵심 논문과 최신 논문 리뷰 딱 10개로 핵심만.
가장 활발한 분야인 만큼, 관련 논문도 수십개입니다. 단언컨대 논문 수십개를 본다고 해서 전문가가 될 수 있는 것은 아닙니다. 딱 10개. 컴퓨터 비전 분야에서 가장 핵심이라 평가되고 있는 논문들만 집중적으로 리뷰하고 실습함으로써 보다 직관적으로 딥러닝 기반 컴퓨터 비전을 이해할 수 있도록 합니다.
03
현업 전문가에게 배우는
딥러닝 기반 영상 인식
딥러닝 영상 인식은 전문적인 지식을 필요로 하는 경우가 많습니다. 본 강의는 컴퓨터 비전 기술을 다루는 국내 최고의 기업 중 한 곳에서 근무하는 강사님이 직접 강의를 이끌어 나갑니다. 현업에서 활발하게 사용되는 컴퓨터 비전 기법들은 무엇인지 등을 직접 배울 수 있음은 물론 1:1 코칭을 통해 보다 쉽게 지식을 내 것으로 만들 수 있습니다.

| 수강효과

01
영상 인식 딥러닝 모델을
설계할 수 있는 능력
‘영상 인식’을 위한 딥러닝에서는 선형대수학, 확률, 통계 지식이 필요합니다. 또한 모델을 제대로 적용하기 위해서는 이미지 혹은 영상 데이터의 형태와 구조에 대해서 알 필요가 있습니다. 해당 강의에서는 딥러닝 기반의 컴퓨터 비전에서 필요한 핵심 내용만을 간략히 정리하고 배우며 실습을 통해 직접 설계해보며 모델 응용력을 갖출 수 있습니다.
02
최신 영상 인식 딥러닝 기법 활용과 논문 리뷰
본 강의를 수강한 후 영상 인식 문제를 정의하고, 각 문제에 대한 대표적인 알고리즘들을 논문 리뷰를 통해 이해할 수 있습니다. 영상 인식 문제 유형의 대표적인 물체 인식(Object Detection), 이미지분류(Classification) 모델 관련 프로젝트와 논문 리뷰를 통해 딥러닝 기반의 영상처리 기법을 이해하고 구현할 수 있습니다.
03
실무에서 수요가 높은 영상 인식 결과물 현업 적용
YOLO-based Object detection on custom data 프로젝트를 통해 현업에서 활발히 사용되는 기법들을 익히고 모델을 구현해봅니다. 특히 현업전문가가 말하는 현업에서 가장 수요가 높은 기법들에 대해서 살펴보고 프로젝트에서 구현해봅니다. 또한, 구현되는 결과물을 현업에 즉시 적용할 수 있습니다.

| 수강대상

본 강의는 아래의 선수지식이 필요합니다.
– 선형 회귀, 로지스틱 회귀, 경사하강법에 대해 들어본 적이 있다.
– 파이썬의 조건문, 반복문, Numpy 등 기초적인 파이썬 구문을 구현해본 적이 있다.
딥러닝 입문

실제 데이터를 활용해
딥러닝 모델을 구현하고 싶은 분

내가 하는 일에 영상 인식 기술을
접목하고 싶은 분

기존 영상 인식 모델 성능을
향상시키고자 하는 분

최신 영상처리 기법을 배워
활용하고 싶은 분

A. 본 강의를 이해하는 데 필요한 배경지식인 미분, 선형대수, 행렬 등
기본적인 수학 지식과 컴퓨터 비전 기술의 입력 데이터인 이미지 혹은 영상 데이터의 형태와 구조의 핵심 개념을 배웁니다.
▼ 강의 커리큘럼이 궁금하다면? ▼
▼ 강의를 미리 들어보고 싶다면? ▼

| 커리큘럼

컴퓨터 비전 기술은 딥러닝의 대표적인 활용분야 중 하나입니다. 본 강의의 목적인 영상 인식 모델 설계에 보다 깊이 다가가기 위해, 영상 데이터가 갖는 특성, 영상 인식 문제의 종류, 이미지 신호 처리 기술 등에 대해 다룹니다.

이론
– 이미지/영상 데이터의 특성 (ImageNet)
– 영상 신호 처리 기술
– 영상처리 기반 Feature 추출 알고리즘과 딥러닝의 추상화를 통한 Feature extraction 비교

논문 리뷰
– Histograms of oriented gradients for human detection

실습
– Colab 환경 사용 방법
– Tensorflow 2.0 API 사용하여 머신 러닝 모델 제작
이미지 인식하고 이를 분류하는 문제는 딥러닝을 통해 가장 발전된 분야 중 하나입니다. 영상 데이터를 그대로 입력으로 받아 카테고리를 분류하는 모델인 여러 종류의 CNN 모델들을 살펴보면서 각 모델들의 ‘key idea’에 대해 이해해 볼 것입니다.

이론
– CNN 모델의 구조와 학습 원리
– 영상 데이터에 Convolution이 필요한 이유
– AlexNet, LeNet, VGG 모델의 구조적 특징과 성능 비교

논문 리뷰
– Very Deep Convolutional Networks for Large-Scale Image Recognition
– Gradient-Based Learning Applied to Document Recognition

실습
– Multi layer perceptron 모델과 CNN 모델의 성능 비교
– CNN 모델들 간 성능 비교
– Custom data 이미지 분류 모델 제작
이미지 물체 인식(Detection)기술은 딥러닝 기반의 융합기술 분야에서 가장 많이 요구 되는 기술 중 하나 입니다. 과학에서는 인간을 모사하는 것이 판을 뒤엎는 경우가 많았습니다. 본 과정에서 다루게 될 YOLO (You Only Look Once) 네트워크 또한 그런 경우입니다.인간이 이미지에서 물체를 인식할 때는 좌측상단부터 훑는 것이 아니고 전체를 한번에 인식하는 것에 착안하여,input image를 grid로 나누어 네트워크를 통과하고 나면 물체의 bounding box와 class를 동시에 예측하게끔 하는 방식입니다.

이론
– YOLO 네트워크 구조 이해
– YOLO v1/v2/v3/V4 비교

논문 리뷰
– You Only Look Once: Unified, Real-Time Object Detection
– YOLOv3: An Incremental Improvement

실습
– Object detection Model Training & Inference (Simple data)
본 강의에서는 앞서 실행한 object detection 모델을 심층적으로 이해해 볼 것입니다. Line by line으로 코드를 리뷰 하면서 코드의 구조와 각 함수들이 어떤 역할들을 수행하는지 자세하게 살펴 볼 것입니다.

이론
– YOLO v3 구현 모델에 사용되는 Tensorflow2.0 / Keras API
– YOLO v3 구현 모델의 구조
– YOLO v3 구현 모델의 개별 함수들의 역할

실습
– Object detection Model Training & Inference
본 강의에서는 실시간 물체 인식에 사용하기에 좀 더 적합한 “Tiny – Yolo” 모델에 대해 알아볼 것입니다. 어떤 부분을 개선하여 성능을 많이 떨어트리지 않으면서도 탐색속도를 향상 시켰는지 이해하고 나면, 추후에 “내 모델”을 튜닝 할 때에도 응용해볼 수 있을 것입니다.

이론
– Tiny YOLO 모델의 특징
– 기존 모델과 성능 비교

실습
– Tiny YOLO 모델 구현 및 성능비교
본 강의의 최종 목표 프로젝트는 각 수강생들이 개인 Custom data로 딥러닝 기반 물체 인식 모델을 설계하는 것입니다. 목표를 달성하기 위해 data를 준비하는 과정인 Labeling tool 사용법부터 Pre-trained weight를 활용하여 학습 시간을 단축하는 방법, 그리고 학습된 모델을 저장하고 로드하는 방법까지 다룸으로써 현업에 도움이 될 수 있도록 가이드 할 것입니다.

최종 프로젝트
YOLO object detection application 제작

| 강사소개 및 인터뷰

Sean Lee
(현) 대기업 영상 인식 연구원
– 머신러닝 분야 SCIE 논문(KIIS) 저자
– NVIDIA 딥러닝 교육과정 수료

(참여 프로젝트)
– 정보통신부: 머신러닝 기반 이미지 유사도 측정 모델
– 서울대 의과대학: 녹내장 검출 모델
– 서울대 융합기술원: Brain tumor검출 모델
1. 자기소개 부탁드립니다.
현재 연구소에서 영상인식과 관련된 연구를 하고 있는 연구원입니다. 머신러닝(Machine learning) 분야를 처음 접하게 된 건 2014년 입니다. 기존 컴퓨터 비전에서 보이던 한계를 뛰어넘기 위해 연구를 하던 중, ‘패턴인식’이라는 학문을 접하게 되었고, 이를 연구에 적용시켜본 것이 머신러닝에 입문하게 된 계기입니다. 그만큼 이 학문에 대한 애정과 자부심을 갖고 있으며 초심자에게 가이드가 되어 줄만큼의 이해도를 갖고 있다고 생각합니다
2. 강의에서는 주로 어떤 내용을 다룰 예정이시고, 어떤 형태로 진행되나요?
이론만 공부하는 것은 실제 문제를 해결하는 것과는 괴리가 크며, 이해가 없는 실습은 응용하는 데 한계가 있습니다. 본 강의는 ‘실습’을 통한 ‘이해’를 모토로 진행되기 때문에, 매 강의마다 이론과 실습을 1:1의 비율로 구성하였습니다. 특히 가시적인 이해를 돕기 위해 영상 데이터를 활용하여 다양한 영상 인식 모델을 설계해 볼 것입니다. 실습은Python을 기반으로 Tensorflow, Keras 등 과 같은 머신러닝에 특화된 라이브라리 등을 이용하여 진행할 것입니다. 실습 목표는 모든 수강생들이 직접 개인 PC 환경에서 머신러닝 모델을 설계 및 구동할 수 있게끔 지도하는 것입니다.
3. 본 강의에서 배운 내용을 수강생 분들이 어떻게 활용할 수 있을까요?
1~2주차에서는 대표적인 모델들을 자세하게 살펴보면서 머신러닝의 학습원리에 대해 깊게 이해해 볼 것입니다. 이 과정을 마치면, 어느 정도 잘 정제된 본인의 Data들에 바로 적용하여 간단한 이미지 분류 모델이나 회귀 곡선 추정 모델을 설계할 수 있을 것입니다.

3~6 주차에서는 딥러닝 분야의 최신 논문들과 함께, 각 논문들의 Contribution에 대해 알아보고, 아이디어가 모델에 어떻게 반영되었는지 학습할 것입니다. 본 과정의 실습을 이해하고, Custom data로 구동하는 방법을 익히면서, 각 기법들을 본인의 분야에서 안고 있는 문제점과 결부시켜 봄으로써 창의적인 아이디어를 고안하는 데 활용 될 수 있을 것입니다.
4. 주로 어떤 분야에 있는 분들이 수강 대상에 적합할까요?
머신러닝의 기본적인 내용을 심층적으로 이해하는 것을 시작으로 하여 최신 알고리즘까지 직접 모델링 해보는 실습까지 진행되는 만큼, 머신러닝에 대해 피상적으로 알고 계신 분이 본인의 분야로 응용하고자 하는 목표를 가지신 분께 적합한 강의일 것 같습니다. 특히 영상 인식을 위주로 실습이 진행되므로 영상 인식 분야에 대해 연구 목표가 있으신 분이 머신러닝을 이해하고 활용하는 데 큰 도움이 될 것이라고 생각합니다.
5. 다른 강의와 어떤 차별 점이 있나요?
머신러닝은 각종 매체를 통해 쉽게 접할 수 있습니다. 하지만 그것을 내 컴퓨터로, 그리고 내 데이터로 모델링하기 위해서는 학습원리에 대한 이해가 필수적입니다. 깊은 이해를 갖고 머신 모델링에 접근해야 좀 더 데이터에 적합한 네트워크를 선택 또는 응용할 수 있기 때문입니다.

본 강의는 모든 수강생들이 내 컴퓨터에서, 내 데이터로 나만의 머신러닝 모델을 설계하는 것을 목표로 합니다. 본 강의의 커리큘럼을 충실히 따라온다면 이론적 지식에 대한 탄탄한 이해를 바탕으로 가시적인 결과가 보이는 실습을 해 봄으로써, 본인의 분야에 응용할 역량을 갖출 수 있을 것입니다.
6. 마지막으로 수강생들에게 하고 싶으신 말

최근 머신러닝 기술은 IT 에만 국한되지 않고, 다양한 분야에서 연구하며 눈부신 발전을 이뤄내고 있습니다. 이러한 기술의 흐름에 발맞추어, 머신러닝에 대한 탄탄한 이해를 바탕으로 본인의 분야에서 머신러닝을 응용한 멋진 아이디어를 고안할 수 있었으면 좋겠습니다.

90만 원65만 원
수강신청은 결제 순으로 선착순 마감될 수 있습니다.

개강 후 환불은 학원법 시행령 <제18조 제3항> 수강료 반환기준에 의거합니다.

# 환불 세부규정 확인하기 (클릭)
25만 원 할인, 놓치지 마세요!