용어집

동작 인식은 걷기, 달리기, 춤추기 등 동영상이나 이미지에서 사람의 동작이나 움직임을 식별하고 분류하여 컴퓨터 시스템이 이러한 동작을 자동으로 이해하고 이에 대응할 수 있도록 하는 프로세스입니다.

동작 인식은 걷기, 달리기, 춤추기 등 동영상이나 이미지에서 사람의 동작이나 움직임을 식별하고 분류하여 컴퓨터 시스템이 이러한 동작을 자동으로 이해하고 이에 대응할 수 있도록 하는 프로세스입니다.

능동형 학습은 사용자가 능동적으로 데이터 포인트에 의도한 출력으로 레이블을 지정할 수 있는 기능을 제공하는 머신 러닝 알고리즘입니다. 이 알고리즘은 레이블이 지정되지 않은 데이터 풀에서 다음에 레이블을 지정할 데이터 포인트를 무작위로 선택합니다.

능동형 학습은 사용자가 능동적으로 데이터 포인트에 의도한 출력으로 레이블을 지정할 수 있는 기능을 제공하는 머신 러닝 알고리즘입니다. 이 알고리즘은 레이블이 지정되지 않은 데이터 풀에서 다음에 레이블을 지정할 데이터 포인트를 무작위로 선택합니다.

어노테이션은 딥 러닝 모델에 예측하고자 하는 결과를 학습시키기 위해 데이터에 레이블을 지정하는 프로세스입니다. 일반적으로 바운딩 박스는 객체 감지 학습에 사용되며 다각형은 예제 세분화 학습에 사용됩니다.

주석 형식은 주석을 인코딩하고 바운딩 박스의 크기와 위치를 설명하는 특정 방법(COCO, YOLO, TXT 등)입니다.

애플리케이션 프로그래밍 인터페이스는 데이터베이스 또는 애플리케이션 내에서 다른 소프트웨어와 전달할 수 있는 구성 요소를 제공하는 메커니즘입니다. 기업은 이를 사용하여 디지털 트랜스포메이션 또는 에코시스템을 지원할 수 있습니다. 유니티는 REST API를 사용하여 사용자가 자신의 모델을 유니티 플랫폼으로 쉽게 가져올 수 있도록 지원합니다.

속성은 머신 러닝에 활용되는 데이터 항목이며, 속성 그룹은 제품의 추가 정보를 생성하기 위한 속성 클러스터를 정의합니다.

증강은 데이터 세트의 견고성을 높이는 데 유용합니다. 사용자는 위치 증강 또는 색 공간 증강을 통해 기존 데이터 세트를 강화할 수 있습니다. 이러한 증강 기술을 사용하면 모델이 학습하는 동안 특정 기능에 의존하지 않아도 됩니다.↪CF_200D↩

AutoML은 실제 환경에 적용하기 위해 학습 모델을 최적화하는 작업을 스스로 자동화합니다. 여기에는 원시 데이터 세트 로딩부터 ML 모델 배포까지 전체 프로세스가 포함되어 있습니다.

역전파는 신경망이 스스로를 개선하는 2단계 훈련 과정입니다. 각 뉴런의 오류 계산을 통해 파라미터를 조정하는 머신러닝 알고리즘입니다.

바운딩 박스는 객체를 마무리하는 이미지의 직사각형 영역으로, 객체의 (x,y) 좌표↪CF_200D↩로 표시됩니다.

COCO는 서로 다른 모델의 성능을 비교하고 일반적인 객체 감지 문제를 해결하기 위해 수집된 이미지 데이터 세트로, JSON 형식으로 저장됩니다.↪F_200D↩

분류는 데이터를 미리 정의된 클래스 또는 레이블로 분류하는 머신 러닝 작업입니다. 목표는 학습 데이터 세트에서 학습한 패턴과 특징을 기반으로 보이지 않는 새로운 데이터에 대해 올바른 레이블을 예측할 수 있는 모델을 구축하는 것입니다. 스팸 탐지나 이미지 인식과 같은 다양한 애플리케이션에서 널리 사용됩니다.

클러스터링은 유사성에 따라 유사한 인스턴스를 그룹화하는 비지도 기법이며, 데이터 포인트에는 레이블이 포함되지 않습니다.

컴퓨터 비전은 컴퓨터가 이미지와 비디오를 보고 이해할 수 있도록 하는 과학입니다. 이는 이미지나 비디오에서 사람이나 물체를 감지하거나 도로 표지판을 읽는 등 시각적 콘텐츠를 이해할 수 있는 알고리즘을 개발함으로써 이루어집니다.↪CF_200D↩

혼동 행렬은 머신 러닝에서 분류 모델의 성능을 평가하는 데 사용되는 표입니다. 혼동 행렬은 정탐, 정탐, 오탐, 미탐 수를 표시하여 모델의 예측을 요약하여 정확도, 정밀도, 회수율 및 기타 메트릭을 평가할 수 있게 해줍니다.

CNN은 적어도 하나의 컨볼루션 계층이 있는 신경망입니다. 일반적으로 이미지 인식 및 식별에 사용됩니다.↪CF_200D↩

기초 모델은 대규모 이미지 데이터 세트에 대해 학습된 사전 학습 컨볼루션 신경망(CNN)입니다. 이러한 모델은 물체 감지, 이미지 분류 및 분할과 같은 다양한 컴퓨터 비전 작업의 시작점 역할을 합니다. 특정 비전 관련 애플리케이션에 맞게 미세 조정할 수 있는 학습된 특징과 패턴의 기초를 제공합니다.

생성형 AI는 데이터, 콘텐츠 또는 객체를 자율적으로 생성할 수 있는 인공 지능 시스템을 말합니다. 이러한 시스템은 종종 GAN과 같은 딥러닝 모델을 기반으로 이미지, 텍스트, 오디오 또는 기타 형태의 데이터를 생성할 수 있으며, 학습 데이터에서 학습한 패턴을 기반으로 새롭고 독창적인 콘텐츠를 만들 수 있습니다.

제스처 인식은 사람의 제스처나 몸의 움직임을 해석하여 컴퓨터나 기타 장치를 제어하고 상호 작용하는 기술입니다. 제스처 인식을 통해 사용자는 자연스러운 동작을 통해 명령을 전달하고 데이터를 입력하거나 시스템과 상호 작용할 수 있으므로 게임, 가상 현실, 사용자 인터페이스와 같은 애플리케이션에서 유용하게 사용할 수 있습니다.

인스턴스 분할은 객체 감지와 시맨틱 분할을 결합한 컴퓨터 비전 작업입니다. 이미지 내의 개별 객체를 식별하고 묘사하여 각 픽셀을 특정 객체 인스턴스에 할당합니다. 이를 통해 이미지에서 개별 객체의 공간적 범위와 위치를 자세히 파악할 수 있습니다.

키포인트 감지는 이미지에서 특정 지점이나 랜드마크를 식별하고 위치를 파악하는 컴퓨터 비전 작업입니다. 이러한 키포인트는 모서리나 관심 지점과 같은 중요한 특징을 나타내며 물체 추적, 포즈 추정, 이미지 정렬과 같은 작업에 자주 사용됩니다.

머신 러닝 운영의 줄임말인 MLOps는 머신 러닝과 DevOps를 결합하여 엔드투엔드 머신 러닝 수명 주기를 관리하는 일련의 관행 및 도구입니다. 모델 개발, 배포, 모니터링 및 자동화를 포괄하여 프로덕션 환경에서 효율적이고 확장 가능하며 안정적인 머신 러닝 운영을 지원합니다.

모델 배포는 머신 러닝 모델을 실제 환경에서 사용할 수 있도록 작동하고 액세스할 수 있도록 만드는 작업입니다. 여기에는 모델을 소프트웨어 애플리케이션, 클라우드 서비스 또는 기타 시스템에 통합하여 실용적이고 자동화되며 확장 가능한 방식으로 새로운 데이터를 기반으로 예측 또는 의사 결정을 내릴 수 있도록 하는 작업이 포함됩니다.

객체 감지는 이미지 또는 비디오 내에서 객체를 식별하고 위치를 찾는 컴퓨터 비전 작업입니다. 객체를 분류할 뿐만 아니라 객체 주위에 경계 상자를 그려 이미지에서 객체의 위치에 대한 정보를 제공함으로써 이미지 분류를 뛰어넘습니다. 자율 주행 및 이미지 분석과 같은 애플리케이션에서 널리 사용됩니다.

객체 추적은 일련의 이미지 또는 비디오 스트림 내에서 시간 경과에 따른 객체의 움직임을 모니터링하고 추적하는 컴퓨터 비전 프로세스입니다. 각 객체에 고유한 ID를 할당하고 프레임 내에서 이동하는 객체의 위치와 움직임을 추적하여 비디오 감시 및 자율 주행 차량과 같은 애플리케이션을 가능하게 합니다.

포즈 추정이란 이미지나 비디오 내에서 주요 신체 부위나 물체의 위치와 방향을 식별하고 계산하는 컴퓨터 비전 작업으로, 주로 사람의 포즈 분석과 관련이 있습니다. 모션 캡처, 제스처 인식, 증강 현실과 같은 애플리케이션에서 사용됩니다.

시맨틱 분할은 이미지의 각 픽셀을 특정 객체 범주 또는 클래스로 분류하는 컴퓨터 비전 작업입니다. 객체의 공간 레이아웃을 자세히 파악하고 이미지에서 객체 경계를 묘사할 수 있어 이미지 분석 및 자율 주행과 같은 애플리케이션에서 유용하게 사용할 수 있습니다.

머신 러닝의 학습 메트릭은 학습 과정에서 모델의 성능을 평가하고 평가하는 데 사용되는 정량적 측정치입니다. 모델이 데이터를 얼마나 잘 학습하고 있는지 이해하는 데 도움이 되며 정확도, 손실, 정밀도, 리콜 및 F1 점수와 같은 메트릭이 포함될 수 있습니다.

비정형 데이터는 미리 정의된 형식이나 구조가 없어 기존의 데이터 처리 방법으로는 정리하고 분석하기 어려운 정보를 말합니다. 텍스트, 이미지, 오디오, 비디오 등이 그 예입니다. 비정형 데이터에서 인사이트를 추출하기 위해 자연어 처리 및 컴퓨터 비전과 같은 전문 기술이 사용됩니다.

비전 트랜스포머는 원래 언어 번역과 같은 시퀀스 모델링 작업을 위해 설계된 트랜스포머 아키텍처를 이미지 처리 작업에 적용하는 신경망의 한 종류입니다.

컴퓨터 비전에서 시각화는 이미지 분할, 물체 감지, 이미지 분류와 같은 작업을 지원하는 시각적 데이터의 그래픽 표현을 만드는 것입니다. 시각화는 경계 상자, 히트맵 또는 피처 표현과 같은 시각적 단서를 통해 정보를 해석하고 전달하여 컴퓨터 비전 알고리즘과 결과에 대한 이해를 높이는 데 도움이 됩니다.

YOLO는 컴퓨터 비전의 실시간 객체 감지 알고리즘입니다. 이미지를 한 번 처리하여 여러 개체에 대한 바운딩 박스와 클래스 확률을 동시에 예측합니다. YOLO는 속도와 정확도가 뛰어나 자율 주행, 감시 등 다양한 애플리케이션에 적합한 것으로 알려져 있습니다.

제로 샷 학습은 모델이 학습 중에 본 적이 없는 사물이나 개념을 인식하고 분류할 수 있는 머신 러닝 접근 방식입니다. K-샷 학습은 이를 확장하여 모델이 보이지 않는 각 클래스에 대해 적은 수의 예제(k)로부터 학습할 수 있도록 하여 일반화를 개선합니다.