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
– 영상 신호 처리 기술
– 영상처리 기반 Feature 추출 알고리즘과 딥러닝의 추상화를 통한 Feature extraction 비교

실습
– 영상처리 기술 실습

이미지 인식하고 이를 분류하는 문제는 딥러닝을 통해 가장 발전된 분야 중 하나입니다.
영상 데이터를 그대로 입력으로 받아 카테고리를 분류하는 모델인 CNN 모델에 대해 알아볼 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

실습
– 영상 데이터 (이미지) 분류 문제

이미지 분할(Segmentation)은 이미지상의 object를 픽셀 단위로 분류하는 문제로 생각할 수 있습니다. 즉 object를 인식하는 것 뿐만이 아닌 사물의 위치를 정확히 집어내야 (pinpoint)하므로 이미지 각각의 픽셀들을 특정 클래스로 분류해야 할 필요가 있습니다. 때문에 앞서 다룬 Classification 문제 보다 컴퓨터가 이미지에 대해 좀 더 깊게 이해하도록 학습 시켜줄 필요가 있습니다.
대표적인 Segmentation 모델 구조인 U-Net 모델이 어떻데 이미지를 추상화하여 학습하는지 알아보고 주어진 Segmentation 문제를 풀어볼 것입니다. Segmentation은 복잡한 문제만큼이나 실습의 난이도 또한 높습니다.
본 강의 시간 동안 Line by line 자세한 코드 리뷰를 통해, 본 강의에서 배운 코드를 직접 custom data에 적용할 수 있는 수준까지 이해할 것입니다.

이론
– U-Net의 Contracting와 Expansive 구조
– Segmentation 문제가 Classification 문제와 구별되는 점: Localization
– 논문 리뷰: U-Net: Convolutional Networks for Biomedical Image Segmentation

실습
– 의료 영상에 대한 Segmentation 실습

이미지 물체 인식(Detection)기술은 딥러닝 기반의 융합 기술 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.
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.

이론
– YOLO 네트워크 구조 이해
– Object detection 문제의 Trade-Off
– 논문 리뷰: You Only Look Once: Unified, Real-Time Object Detection

최종 프로젝트
– Custom data에 대한 Object detection 모델 학습 및 검증