Computer Vision Basic, Advanced, Generation 강의 학습 회고록
해당 글에서는 Computer Vision Basic, Advanced, Generation 강의 학습 회고록에 대해 소개합니다.
Computer Vision Basic, Advanced, Generation 강의 학습 회고록
Comuputer Vision Basic
Computer Vision Basic 강의에서는 컴퓨터비전에 대해 소개하고 CV 알고리즘의 기초가 되는 CNN(Convolution Neural Network)에 대해 학습했다. 이후 CNN Layer 구성 요소인 Convolution, Pooling, Fully Connected Layer 실습을 진행해보았다. 컴퓨터비전 태스크로 Image Classification, Object Detection, Semantics Segmentation에 대해 배웠다. 특히, 대학교 시절 YoLOv5를 활용해 프로젝트를 한 경험이 있어 Object Detection 태스크에서 YoLo 알고리즘에 대해 배우는 것이 재미있었다.
Computer Vision Advanced
Computer Vision Advanced 강의에서는 각 태스크별 심화 알고리즘에 대해 배우게 되었다. CNN 부분에서는 Transformer 알고리즘을 컴퓨터비전에 적용한 Vision Transformer(VIT)에 대해 학습 및 실습을 하였으며, Object Detection 부분에서는 DETR이라는 알고리즘을 학습 및 실습하였다.
Computer Vision Generation
Computer Vision Generation 강의에서는 생성형 인공지능의 기초 알고리즘인 Auto Encoder에 대해 이론 학습을 진행하였다. Auto Encoder는 인코더와 디코더로 구성되어 있으며, 인코더는 입력 데이터를 압축하여 저차원의 벡터로 변환하고, 디코더는 저차원의 벡터를 입력 데이터와 유사한 형태로 복원하는 역할을 한다. 이후, Auto Encoder를 활용한 생성형 인공지능 알고리즘인 적대적 생성 신경망에 대해 배우고 Pix2Pix, CycleGAN, StyleGAN 알고리즘을 실습하였다.
📜 컴퓨터비전에 대한 전반적인 후기
이번 컴퓨터 비전 강의는 기초부터 고급 알고리즘까지 체계적으로 학습할 수 있는 좋은 기회였습니다. Computer Vision Basic 강의에서는 컴퓨터 비전의 기본 개념과 CNN(Convolutional Neural Network)의 구조를 이해하며, Convolution, Pooling, Fully Connected Layer 등 각 구성 요소를 실습을 통해 직접 구현해보는 경험이 매우 유익했습니다. 특히, Image Classification, Object Detection, Semantic Segmentation과 같은 주요 태스크에 대한 이해도를 높일 수 있었습니다. 특히, 이전에 YOLOv5를 활용한 프로젝트 경험이 있어, Object Detection에서 YOLO 알고리즘을 배우는 과정이 흥미로웠습니다.
Computer Vision Advanced 강의에서는 Vision Transformer(VIT)와 DETR 등 최신 알고리즘을 학습하며 CNN 기반 모델의 한계를 극복하는 방법을 알게 되었고, 실습을 통해 이론을 더욱 깊이 있게 이해할 수 있었습니다. 이를 통해 다양한 컴퓨터 비전 태스크에서 성능을 극대화하는 방법을 체득할 수 있었습니다.
마지막으로, Computer Vision Generation 강의에서는 Auto Encoder와 같은 생성형 인공지능의 기초 알고리즘을 학습한 후, Pix2Pix, CycleGAN, StyleGAN과 같은 모델들을 실습하며 생성형 AI의 가능성과 응용 방안을 탐구할 수 있었습니다. 전반적으로, 컴퓨터 비전에 대한 이해를 심화하고, 최신 기술을 실습을 통해 체득할 수 있었던 유익한 과정이었습니다.
1
2
🌜 개인 공부 기록용 블로그입니다. 오류나 틀린 부분이 있을 경우
언제든지 댓글 혹은 메일로 지적해주시면 감사하겠습니다! 😄