[AI] Computer Vision

1960년대 - 1980년대: 기초적인 패턴 인식 및 특징 추출
이 시기에는 주로 단순한 패턴 인식과 특징 추출 알고리즘들이 사용되었습니다.
히스토그램 기반의 특징, 에지(edge) 검출, 템플릿 매칭 등의 방법이 주로 사용되었습니다.

 

1990년대 - 2000년대: 통계적 및 기계학습 기반의 방법
이 시기에는 통계적 기법과 기계학습이 컴퓨터 비전에 도입되었습니다.
지역 이진 패턴(LBP), 허프 변환(Hough transform), 특징 기술자(Feature Descriptors) 등이 개발되었습니다.
지지 벡터 머신(Support Vector Machine, SVM), 의사결정 나무(Decision Trees) 등의 기계학습 알고리즘이 널리 사용되었습니다.

 

1960년대부터 1980년대 초반까지의 컴퓨터 비전은 주로 기초적인 패턴 인식과 특징 추출에 초점을 맞추었습니다. 이 시기에는 이미지 처리와 컴퓨터 비전에 대한 이론적 이해와 실용적인 알고리즘 개발이 큰 관심을 받았습니다. 몇 가지 주요한 알고리즘과 기술에 대해 알아보겠습니다:

히스토그램 기반의 특징(Feature) 추출: 이미지의 픽셀 값 분포를 분석하여 이미지를 특징화하는 방법이었습니다. 이를 통해 이미지의 밝기, 색상, 텍스처 등의 특성을 추출할 수 있었습니다.
에지(Edge) 검출: 이미지에서 물체의 윤곽을 찾아내는 데 사용되는 기술입니다. 에지는 이미지에서 픽셀 값이 급격하게 변하는 지점을 나타내며, 에지 검출은 이러한 변화를 감지하여 물체의 윤곽을 추출합니다.
템플릿 매칭(Template Matching): 입력 이미지에서 특정한 패턴을 찾아내는 기법입니다. 주어진 템플릿 이미지와 입력 이미지를 비교하여 유사도를 측정하고, 가장 유사한 위치를 찾아내는 방식으로 작동합니다.
관심 지점(Interest Points) 검출: 이미지에서 특정한 관심 지점을 찾아내고, 이를 기준으로 이미지를 특징화하는 기술입니다. 이러한 관심 지점은 이미지에서 고유한 패턴이나 구조를 나타내며, 이미지 매칭, 객체 추적 등에 사용됩니다.

 

2010년대 초반: 딥러닝의 부상
딥러닝이 부상하면서 컴퓨터 비전 분야도 크게 변화하였습니다.
컨볼루션 신경망(Convolutional Neural Networks, CNNs)이 이미지 인식과 분류에서 탁월한 성과를 거두었습니다.
AlexNet, VGGNet, GoogLeNet 등의 딥러닝 기반의 모델들이 등장하였습니다.
이러한 모델들은 대규모 이미지 데이터셋을 사용하여 사전에 학습되고, 전이 학습(Transfer Learning)을 통해 다른 작업에 적용되었습니다.

 

2010년대 후반: 딥러닝의 진화와 확장
딥러닝 모델은 더 깊고 복잡해지면서 성능이 향상되었습니다.
ResNet, Inception, DenseNet 등의 심층 신경망 구조가 등장하였습니다.
객체 검출(Object Detection), 시맨틱 세그멘테이션(Semantic Segmentation), 인스턴스 세그멘테이션(Instance Segmentation) 등 다양한 작업에 딥러닝이 적용되었습니다.
자연어 처리와 비전을 결합한 비젼-언어 모델들이 주목을 받았습니다.

 

 

2020년대: 딥러닝의 혁신과 다양한 응용
GAN(Generative Adversarial Networks), Transformer 기반의 비전 모델 등과 같이 딥러닝의 다양한 혁신이 이루어졌습니다.
딥러닝은 의료 이미지 분석, 자율주행 자동차, 증강 현실(AR), 보안 등 다양한 분야에 적용되고 있습니다.
특히, 딥러닝의 연산 효율을 높이기 위한 경량화(lightweight) 및 모델 압축 기술이 중요한 주제로 부상하고 있습니다.