3.2 기존 이미지 인식 기법

• 이미지 특징량(픽셀과 픽셀 사이의 휘도값이 크게 차이나는 부분)을 사용

BoF(Bag of Features)

• 같은 종류의 물체가 찍힌 이미지끼리는 비슷한 부분이 많음

• 이미지를 부분으로 분리 -> 분리한 이미지 : 배치

• 물체의 특징을 분리시켜 모아둠

• 이미지를 일정한 형식의 벡터로 나타냄(특징벡터)

• 특징 벡터는 어떤 배치를 갖고 있는지 나타냄

• 여러개의 학습 데이터(자동차들)로부터 여러 종류의 특징량 대량 획득

• 획득된 특징량 클러스터링 -> 비슷한 애들끼리 묶음 ( 바퀴 부분, 자동차 앞부분 등..)

• 각 그룹의 대표하는 특징점을 정함

• 특징 벡터의 차원 개수는 클러스터링으로 만든 그룹 개수와 동일

• 특징점의 출현 빈도를 바탕으로 이미지별 특징벡터 산출

  • 예를 들어, 자동차 = (바퀴, 앞,뒤) = (2, 1, 1) -> 정규화 거치면 (0.5, 0.25, 0.25)

• 미지의 이미지 -> 이미지 특징벡터 선출해서 가장 가까운 거 선택

• 단점은 특징점 추출하기 어려울 때(흐릿), 위치 관계 무시, 보는 각도 변화에 영향 받음

3.3 딥러닝의 이용

컨볼루션 신경망을 이용한 이미지 인식

• 입력층의 크기는 이미지 크기와 같게, 출력층 노드 갯수는 종류 갯수
• 이미지 출력벡터는 (1,0,0,0)과 같은 형태
• 미지의 이미지 출력벡터에서 가장 높은 값을 갖는 차원이 뜻하는 물체의 종류
• 층이 높아질수록 복잡한 모양에 반응
• 훈련 데이터로 최적화되면서 모서리와 같은 단순한 형상의 필터 처리를 중복시켜 복잡한 모양에 반응하는 필터를 자동 학습
• 특징점을 뽑아내는 사전 처리가 필요 x

딥러닝의 약점

• 테스트 데이터가 적으면 성능이 나오지 않음
• 식별 결과를 튜닝하기 어려움 - 특징 주출을 자동으로 학습해서 해서 어떤 것을 튜닝해야 할지 ?