[cs231n] Lecture 1 : Introduction to Deep Learning for Computer Vision

아래 내용은 cs231n 유튜브 강의를 기초로 하여 작성되었습니다.
해당 유튜브 강의를 들으시고 싶으시다면 여기를 클릭하세요.

 1. 컴퓨터비전과 딥러닝

• 컴퓨터비전 : 시각적 데이터에 대한 인식과 추론

• 컴퓨터비전 분야는 시각적 데이터의 기하급수적인 증가로 중요해지고 있음. ex) 자율주행, 가상현실, 드론

• 딥러닝 : 뇌로부터 영감을 받은 "layers"이 존재하는 계층적 학습 알고리즘

• cs231n에서 강의할 내용은 Computer Vision과 Deep learning의 intersection 부분임

2. 컴퓨터 비전의 역사

1. Hubel and Wisel, 1959
   

   • 고양이를 이용한 실험을 통해 우리는 비전이라는 것이 어떻게 작동하는지 이해하기 시작

2. Larry Roberts, 1963

   • 실제로 사진 정보를 얻는 방법, 물체와 이미지의 기하학을 이해하기 시작

3. David Marr, 1970s

   • 시각적 표현 단계에 대한 아이디어를 제안

4. Gen. Cylinders, 1979

   • 사람들을 인식하기 위해 지어진 실린더와 그림 구조

5. Canny, 1986

   • 가장자리로 사물을 인식
     

6. Norm. Cuts, 1997

   • 그룹핑을 통한 인식

7. SIFT, 1999

   •  특징 벡터의 활용

8. V&J, 2001

   • 얼굴 인식

9. PASCAL, 2001 / ImageNet 2007

   • Visual Recognition Challenge

10. AlexNet, 2012

3. 딥러닝의 역사

1. Perceptron, 1958

   • 오늘 날의 선형 분류기 모델

2. Minsky and Papert, 1969

   • 퍼셉트론이 XOR function을 구현하지 못함을 알려줌, 다층 퍼셉트론은 가능

3. Neocognitron: Fukushima, 1980

   • 컨볼루션과 매우 유사

4. backpropagation: Rumelhart, Hinton, and Williams, 1986

   • 다층 퍼셉트론을 훈련시키기 위해 역전파 알고리즘 소개

5. Convolutional Networks: LeCun et al, 1998

   • 현대의 Convolutional networks와 가장 비슷함

6. Deep Learning: 2006

   • 신경망의 여러 계층을 의미하는 딥러닝이 등장

7. 2012(AlexNet) to Present: Deep Learning Explosion, 2012

   • 2012년을 기준으로 딥러닝 연구가 기하급수적으로 증가하기 시작

   • 활용 : Image Classification, Image Retrieval, Object Detection, Image Retrieval, Pose Recognition, Playing Atari games, Medical Imaging, Galaxy Classification, Whale recognition, Image Captioning 등

4. 마무리

1. 알고리즘과 데이터, 컴퓨터의 성능 3가지 요소가 컴퓨터비전, 딥러닝의 발전에 좋은 영향을 미치고 있음. ex) GPU

2. 사람이 인지하는 것을 넘어서는 단계까지 가기에는 아직도 더 많은 연구가 필요함 : 우리가 공부하는 이유이기도 함