±¹³»µµ¼
Àü°øµµ¼/´ëÇб³Àç
°øÇаè¿
ÄÄÇ»ÅÍ°øÇÐ
Á¤°¡ |
30,000¿ø |
---|
27,000¿ø (10%ÇÒÀÎ)
1,500P (5%Àû¸³)
ÇÒÀÎÇýÅÃ | |
---|---|
Àû¸³ÇýÅà |
|
|
|
Ãß°¡ÇýÅÃ |
|
À̺¥Æ®/±âȹÀü
¿¬°üµµ¼
»óÇ°±Ç
ÀÌ»óÇ°ÀÇ ºÐ·ù
Ã¥¼Ò°³
µö·¯´×Àº Àΰø Áö´É¿¡ Çõ¸íÀ» ÀÏÀ¸Å°°í ÀÖÀ¸¸ç ¾ÕÀ¸·Î ¼ö½Ê ³â µ¿¾È °·ÄÇÏ°Ô ¼¼»óÀ» ¹Ù²Ü ±â¼úÀÌ´Ù. ½ÉÃþ ÇнÀÀ» ±â¹ÝÀ¸·Î ÇÑ Àΰø Áö´ÉÀº »ê¾÷Çõ¸í°ú ºñ½ÁÇÑ ¼öÁØÀÇ ¿µÇâÀ» ¹ÌÄ¥ ¼ö ÀÖ´Ù.
µö·¯´×Àº Çö½Ç»ó¿¡¼´Â »ê¾÷ Çõ¸í°ú ±â°è¿Í ¸¶Âù°¡Áö·Î »ê¾÷ »ý»ê¼ºÀ» Çâ»ó½ÃÅ°°í ¸¹Àº ÀηùÀÇ »ýÈ° ¼öÁØÀ» ³ô¿©ÁÙ °ÍÀÌ´Ù.
ÄÄÇ»ÅÍ ºñÀüÀ» À§ÇØ È°¿ëµÉ ¼ö ÀÖ´Â µö·¯´×¿¡ ´ëÇÑ ±âº» Áö½ÄµéÀ» ÆľÇÇÏ°Ô µÇ°í, µö·¯´×ÀÇ °·ÂÇÑ Èû°ú ¸¹Àº ¾ÖÇø®ÄÉÀ̼ÇÀ» Áö¿øÇϱâ À§ÇÑ ³»¿ë¿¡ ´ëÇؼ ¾Ë°Ô µÉ °ÍÀÌ´Ù.
ÃâÆÇ»ç ¼Æò
¡Ú ÀÌ Ã¥ÀÇ ±¸¼º ¡Ú
1Àå. ¡®½ÃÀÛÇϱ⡯¿¡¼´Â µö·¯´×ÀÇ ±âÃʸ¦ ¼Ò°³Çϸç, Ãʺ¸ÀÚ´Â ¾îÈÖ¿¡ Àͼ÷ÇØÁú ½Ã°£À» °®°Ô µÈ´Ù. ÀÌÈÄ ÀåÀ» ¼öÇàÇÏ´Â µ¥ ÇÊ¿äÇÑ ¼ÒÇÁÆ®¿þ¾î ÆÐÅ°Áö ¼³Ä¡¿¡ ´ëÇÑ ³»¿ëµµ ´Ù·é´Ù .
2Àå. ¡®À̹ÌÁö ºÐ·ù¡¯¿¡¼´Â À̹ÌÁö Àüü¿¡ ·¹À̺íÀ» ºÙÀÌ´Â À̹ÌÁö ºÐ·ù ¹®Á¦¸¦ ¼³¸íÇÑ´Ù. À̹ÌÁö ºÐ·ù ±â¼ú¿¡ ´ëÇØ ¹è¿ì°í ¾Ö¿Ïµ¿¹° ºÐ·ù¿¡ ´ëÇÑ µö·¯´× ¸ðµ¨À» ÈÆ·ÃÇÒ ¼ö ÀÖ´Ù. ¶ÇÇÑ Á¤È®µµ¸¦ ³ôÀÌ°í ´Ù¾çÇÑ °í±Þ ¾ÆÅ°ÅØó¿¡ ´ëÇÑ ½Éµµ ÀÖ´Â ³»¿ëÀ» ¹è¿ì°Ô µÈ´Ù.
3Àå. ¡®À̹ÌÁö °Ë»ö¡¯¿¡¼´Â ½ÉÃþ Ư¡(deep feature)°ú À̹ÌÁö °Ë»öÀ» ´Ù·é´Ù. ¸ðµ¨ ½Ã°¢È, ½Ã°¢Àû ±â´É, ÅÙ¼Ç÷Î(TensorFlow)¸¦ »ç¿ëÇÑ Ãß·Ð, Á¦Ç° °Ë»öÀ» À§ÇÑ ½Ã°¢Àû ±â´É Á¦°ø ¹× »ç¿ë¿¡ ´ëÇÑ ´Ù¾çÇÑ ¹æ¹ýÀ» ÇнÀÇÒ ¼ö ÀÖ´Ù.
4Àå. ¡®°´Ã¼ °ËÃ⡯¿¡¼´Â À̹ÌÁöÀÇ °´Ã¼ °ËÃâÀ» ¼³¸íÇÑ´Ù. ´Ù¾çÇÑ °´Ã¼ °ËÃâ ±â¼úÀ» ¹è¿ì°í À̸¦ º¸ÇàÀÚ °ËÃâ(pedestrian detection)¿¡ Àû¿ëÇÒ ¼ö ÀÖ´Ù. °´Ã¼ °ËÃâÀ» À§ÇÑ ÅÙ¼Ç÷ΠAPI°¡ ÀÌ Àå¿¡¼ È°¿ëµÈ´Ù.
5Àå. ¡®½Ã¸Çƽ ºÐÇÒ¡¯¿¡¼´Â Çȼ¿ ´ÜÀ§·Î À̹ÌÁö¸¦ ºÐÇÒÇÏ´Â °ÍÀ» ´Ù·é´Ù. ºÐÇÒ ±â¹ý¿¡ ´ëÇÑ Áö½ÄÀ» ¾ò°í ÀÇ·á À̹ÌÁöÀÇ ºÐÇÒ ¸ðµ¨À» ÈÆ·ÃÇÒ ¼ö ÀÖ´Ù.
6Àå. ¡®À¯»çµµ ÇнÀ¡¯¿¡¼´Â À¯»çµµ ÇнÀ¿¡ ´ëÇØ À̾߱âÇÑ´Ù. À¯»çµµ ¸ÅĪ(similarity matching)°ú ¾ó±¼ ÀνÄÀ» À§ÇÑ ¸ðµ¨À» ÈƷýÃÅ°´Â ¹æ¹ýÀ» ¹è¿ì°Ô µÈ´Ù. ¾ó±¼ Ç¥½Ä(face landmark)À» ÈƷýÃÅ°´Â ¸ðµ¨ÀÌ ¼³¸íµÈ´Ù.
7Àå. ¡®À̹ÌÁö ĸ¼Ç¡¯¿¡¼´Â À̹ÌÁöÀÇ Ä¸¼ÇÀ» »ý¼ºÇϰųª ¼±ÅÃÇÏ´Â °ÍÀ» ´Ù·é´Ù. ÀÚ¿¬¾î ó¸® ±â¼ú°ú ÀÌ ±â¼úÀ» »ç¿ëÇØ À̹ÌÁö ĸ¼ÇÀ» »ý¼ºÇÏ´Â ¹æ¹ýÀ» ¹è¿î´Ù.
8Àå. ¡®»ý¼º ¸ðµ¨¡¯¿¡¼´Â ´Ù¾çÇÑ ¸ñÀûÀ¸·Î ÇÕ¼º À̹ÌÁö¸¦ »ý¼ºÇÏ´Â ¹æ¹ýÀ» ¼³¸íÇÑ´Ù. µ¶ÀÚ´Â ÀÌ ÀåÀ» ÅëÇØ »ý¼º ¸ðµ¨ÀÌ ¹«¾ùÀÎÁö ¹è¿ì°í, ½ºÅ¸ÀÏ Àü¼Û°ú ÈÆ·Ã µ¥ÀÌÅÍ µîÀÇ À̹ÌÁö »ý¼º ¾ÖÇø®ÄÉÀÌ¼Ç ÇÁ·Î±×·¥¿¡ Àû¿ëÇÒ ¼ö ÀÖ´Ù.
9Àå. ¡®µ¿¿µ»ó ºÐ·ù¡¯¿¡¼´Â µ¿¿µ»ó µ¥ÀÌÅÍ¿¡ ´ëÇÑ ÄÄÇ»ÅÍ ºñÀü ±â¼úÀ» ´Ù·é´Ù. µ¿¿µ»ó ¹®Á¦¿Í À̹ÌÁö ¹®Á¦ÀÇ ÁÖ¿ä Â÷ÀÌÁ¡À» ÀÌÇØÇÏ°í µ¿¿µ»ó ºÐ·ù ±â¼úÀ» ±¸ÇöÇغ»´Ù.
10Àå. ¡®¹èÆ÷¡¯¿¡¼´Â ½ÉÈ ÇнÀ ¸ðµ¨ÀÇ ¹èÆ÷ ´Ü°è¸¦ ¼³¸íÇÑ´Ù. ÈÆ·ÃµÈ ¸ðµ¨À» ¹èÄ¡ÇÏ°í ´Ù¾çÇÑ ¼Óµµ¿¡ ¸Â°Ô ÃÖÀûÈÇÏ´Â ¹æ¹ýÀ» ¹è¿ï ¼ö ÀÖ´Ù.
¡Ú ÀÌ Ã¥¿¡¼ ´Ù·ç´Â ³»¿ë ¡Ú
¡á ÄÉ¶ó½º¿Í ÅÙ¼Ç÷ο¡ ´ëÇÑ È¯°æ ¼³Á¤
¡á ¾Ö¿Ïµ¿¹° ºÐ·ù Á¦¾à »çÇ×À» °í·ÁÇÑ À̹ÌÁö ºÐ·ù¿Í µö·¯´× ¸ðµ¨ ÈÆ·Ã ¹æ¹ý ÇнÀ
¡á ¸ðµ¨ÀÇ ½ÉÃþ ·¹À̾î ÀÌÇØ
¡á À̹ÌÁö ÃßÃâ ¹®Á¦¸¦ ÇØ°áÇϱâ À§ÇÑ »çÀü ÈÆ·ÃµÈ ¸ðµ¨ÀÇ »ç¿ë ¹æ¹ý
¡á °ËÃâ ¹æ¹ý ÀÌÇØ¿Í º¸ÇàÀÚ °ËÃâ Àû¿ë
¡á À̹ÌÁö ĸ¼Ç ¹æ¹ýÀÇ ÇнÀ ¹× ±¸Çö
¡á GANÀ» »ç¿ëÇØ À̹ÌÁö¸¦ »ý¼ºÇÒ ¼ö ÀÖ´Â ¸ðµ¨ ÈÆ·Ã
¡á µ¿¿µ»ó ºÐ·ù ¹æ¹ýÀÇ È®ÀÎ ¹× ½ÇÁ¦ ±¸Çö
¡á ´Ù¾çÇÑ Ç÷§Æû¿¡ ½ÇÁ¦ ÈÆ·ÃµÈ ¸ðµ¨ Àû¿ë
¡Ú ¿Å±äÀÌÀÇ ¸» ¡Ú
ÄÄÇ»ÅÍ ºñÀüÀº ÄÄÇ»ÅÍ¿¡ ½Ã°¢À» ºÎ¿©ÇØ À̹ÌÁö¸¦ ºÐ¼®ÇÔÀ¸·Î½á À¯¿ëÇÑ Á¤º¸¸¦ »ý¼ºÇÏ´Â ±â¼úÀÌ´Ù. ºñÀü ±â¼úÀº ÄÄÇ»Åͳª ·Îº¿ µîÀ» ÅëÇØ ¾ó±¼, °Ç¹° µîÀÇ ´Ù¾çÇÑ °´Ã¼¸¦ ÀνÄÇÏ´Â µ¥ ÀÀ¿ëµÇ¸ç, ÀΰøÁö´É ±â¼úÀÌ ¹ßÀüÇÏ¸é¼ °´Ã¼ ÀÎ½Ä ±â¼úÀÇ ÁøÈ ¼Óµµ´Â »¡¶óÁö°í ÀÖ´Ù.
ÄÄÇ»ÅÍ°¡ »ç¹°À» Á¤È®ÇÏ°Ô ÀνÄÇØ À¯¿ëÇÑ Á¤º¸¸¦ Á¦°øÇÒ ¼ö ÀÖ°Ô µÇ¸é¼ ÄÄÇ»ÅÍ ÀÎÅÍÆäÀ̽º¿¡ º¯ÇõÀÌ ÀϾ°í ÀÖ´Ù. ¾ÆÀÌÆù X¿¡´Â ¾ó±¼À» ÀνÄÇÏ´Â ±â´ÉÀÎ ÆäÀ̽º ID°¡ žÀçµÆ°í, ½º¸¶Æ®ÆùÀÇ Ä«¸Þ¶ó¸¦ ÀÌ¿ëÇÑ ½Å¿ëÄ«µå ½ºÄµ µîÀÇ ±â¼úÀÌ ½ÇÁ¦·Î Àû¿ëµÇ°í ÀÖ´Ù.
ÄÄÇ»ÅÍ ºñÀüÀ» ±¸ÇöÇϱâ À§ÇÑ »ç¿ëÀÚÀÇ ÇÁ·ÎÁ§Æ®¿¡¼ ÄÄÇ»ÅÍ ºñÀü ¾Ë°í¸®ÁòÀ» ½ÃÀÛÇÏ±æ ¿øÇÏ´õ¶óµµ, ¾îµð¼ºÎÅÍ ½ÃÀÛÇØ¾ß ÇÒÁö ´Ù¼Ò ¸·¸·ÇÒ ¼ö ÀÖ´Ù. ÄÄÇ»ÅÍ ºñÀü ¿£Áö´Ï¾î¶ó Çصµ, ½Éµµ ÀÖ°Ô Á¢±ÙÇϰųª ´õ ¸¹Àº ³»¿ëÀ» ¹è¿ì·Á¸é ¸¹Àº ±â¼úÀ» ¾Ë¾Æ¾ß ÇÑ´Ù.
ÀÌ¿Í °°Àº ¸ñÀûÀ» ´Þ¼ºÇÏ·Á¸é ½ÇÀü °æÇèÀÌ °¡Àå Áß¿äÇÏ´Ù. ½ÇÁ¦ ¹®Á¦¸¦ ÇØ°áÇÏ´Â ¹æ¹ýÀ» ÅëÇØ ÇöÁ¸ÇÏ´Â ¹æ¹ýµéÀ» »ç¿ëÀÚÀÇ ¿ä±¸ »çÇ׿¡ ¸ÂÃç ¼öÇàÇØ¾ß Çϸç, »ùÇà ÄÚµåµéÀ» ÅëÇØ ÄÄÇ»ÅÍ ºñÀü ¾Ë°í¸®ÁòÀÇ °¡´É¼º°ú ÇѰ踦 ÃæºÐÈ÷ ÀÌÇØÇØ ³ª°¡¾ß ÇÑ´Ù.
ÀÌ Ã¥Àº ½ÇÁ¦ ÄÄÇ»ÅÍ ºñÀü ÀÛ¾÷À» ÇÒ ¶§ Á÷Á¢ÀûÀ¸·Î Å« µµ¿òÀÌ µÉ ¼ö ÀÖµµ·Ï ±¸¼ºµÆ´Ù. ÅÙ¼Ç÷Î(TensorFlow)¸¦ »ç¿ëÇØ Ãß·Ð, Á¦Ç° °Ë»öÀ» À§ÇÑ ½Ã°¢Àû ±â´ÉÀÇ Á¦°ø ¹× ´Ù¾çÇÑ »ç¿ë ¹æ¹ýÀ» ÇнÀÇÒ ¼ö ÀÖ°í, À¯»çµµ ¸ÅĪ(similarity matching)°ú ¾ó±¼ ÀνÄÀ» À§ÇÑ ¸ðµ¨À» ÈƷýÃÅ°´Â ¹æ¹ýµµ ¹è¿ï ¼ö ÀÖ´Ù.
ÀÌ·¯ÇÑ ³»¿ëµéÀ» ´Ù·é ÀÌ Ã¥Àº µö·¯´× ÇнÀÀ» À§ÇÑ ¸¹Àº ³»¿ëµéÀ» ´ã°í ÀÖÀ¸¸ç ÀÌÇØÇϱ⠽±°Ô ¿¹Á¦ ÄÚµå¿Í ±× °á°ú¹°±îÁö ÇѲ¨¹ø¿¡ º¸¿©ÁØ´Ù.
ÄÄÇ»ÅÍ ºñÀü ÇнÀÀ» À§ÇÑ ½Ã¸Çƽ ºÐÇÒ(semantic segmentation), À¯»çµµ ÇнÀ(similarity learning), À̹ÌÁö ĸ¼Ç(image caption), »ý¼º ¸ðµ¨(generative model), µ¿¿µ»ó ºÐ·ù(video classification)¿¡ ´ëÇØ ¾Ë±â ½±°Ô ¼³¸íÇØÁֹǷΠµ¥ÀÌÅÍ ±â¹Ý ÄÄÇ»ÅÍ ºñÀü ±â¼ú¿¡ ´ëÇÑ Áö½ÄÀ» ÇÑ ¹ø¿¡ ½±°Ô ½ÀµæÇÒ ¼ö ÀÖ´Ù.
¸ðµç µ¶ÀÚµéÀÌ ÅÙ¼Ç÷Î/Äɶó½º(Keras)¿Í µö·¯´× µî¿¡ ´ëÇÑ ±âº» ÀÌ·ÐÀ» ÀÌÇØÇÏ°í ½ÇÁ¦·Î ±¸ÇöÇÏ´Â µ¥ ¸¹Àº µµ¿òÀÌ µÇ±æ Áø½ÉÀ¸·Î ¹Ù¶õ´Ù. °¢°¢ÀÇ ½É¿ÀÇÑ ÁÖÁ¦¿Í °ü·ÃµÈ ³»¿ë Àüü¸¦ Çϳª¾¿ õõÈ÷ ²ôÁý¾î³½ ÈÄ ¼³¸íÇÏ°í ÀÖÀ¸¹Ç·Î ¼ø¼´ë·Î Àд٠º¸¸é Àü¹ÝÀûÀÎ ³»¿ëÀ» ÃæºÐÈ÷ ÆľÇÇÒ ¼ö ÀÖÀ» °ÍÀÌ´Ù.
̵̧ȍ
´Ù¾çÇÑ ¾ÖÇø®ÄÉÀÌ¼Ç ÇÁ·Î±×·¥À» À§ÇÑ ÄÄÇ»ÅÍ ºñÀü ±â¼úÀ» ¹è¿ì°í ½Í¾î ÇÏ´Â µ¶ÀÚ¸¦ ´ë»óÀ¸·Î Çϸç, µ¶ÀÚ¿¡°Ô ÄÄÇ»ÅÍ ºñÀü ±â¹Ý Á¦Ç°À» °³¹ßÇÒ ¼ö ÀÖ´Â µµ±¸¿Í ±â¼úÀ» Á¦°øÇÑ´Ù. ½Ç¿ëÀûÀÎ ¿¹Á¦µéÀ» ÅëÇØ ºñÀü °ü·Ã ÀÌ·ÐÀ» È®ÀÎÇÒ ¼ö ÀÖ´Ù.
½ºÆ¼ºì ¹«¾î(½Ì°¡ÆúÀ̸ð¼Ç¸®´õÃÖ°í±â¼úÃ¥ÀÓÀÚ)
µö·¯´×Àº ÀΰøÁö´É¿¡ Çõ¸íÀ» ÀÏÀ¸Å°°í ÀÖÀ¸¸ç, ¾ÕÀ¸·Î ¼ö½Ê ³â µ¿¾È °·ÄÇÏ°Ô ¼¼»óÀ» ¹Ù²Ü ±â¼úÀÌ´Ù. ½ÉÃþ ÇнÀÀ» ±â¹ÝÀ¸·Î ÇÑ ÀΰøÁö´ÉÀº »ê¾÷Çõ¸í°ú ºñ½ÁÇÑ ¼öÁØÀÇ ¿µÇâÀ» ¹ÌÄ¥ ¼ö ÀÖ´Ù.
µö·¯´×Àº ¹Ì·¡¿¡ ´ëÇÑ ÈïºÐ°ú ´õºÒ¾î µÎ·Á¿òÀ» ¸¸µé¾î³Â´Ù. ±×·¸Áö¸¸ µö·¯´×Àº Çö½Ç»ó¿¡¼´Â »ê¾÷Çõ¸í°ú ±â°è¿Í ¸¶Âù°¡Áö·Î »ê¾÷ »ý»ê¼ºÀ» Çâ»ó½ÃÅ°°í ¸¹Àº ÀηùÀÇ »ýÈ° ¼öÁØÀ» ³ô¿©ÁÙ °ÍÀÌ´Ù.
¹°·Ð, Á÷¾÷À» ´ëüÇϱ⺸´Ù´Â ´õ ¾çÁúÀÇ ÀÏÀÚ¸®¸¦ ´õ ¸¹ÀÌ ¸¸µé¾î³¾ °ÍÀÌ´Ù. ÀÌ°ÍÀ̾߸»·Î ÀÌ Ã¥ÀÌ Áß¿äÇÏ°í ½Ã±âÀûÀýÇÑ ÀÌÀ¯À̱⵵ ÇÏ´Ù. ÀÌ Ã¥ÀÇ µ¶ÀÚµéÀº ÄÄÇ»ÅÍ ºñÀüÀ» À§ÇÑ µö·¯´×¿¡ ´ëÇØ ÆľÇÇÏ°Ô µÇ°í, µö·¯´×ÀÇ °·ÂÇÑ Èû°ú ¸¹Àº ¾ÖÇø®ÄÉÀ̼ǿ¡ ´ëÇØ ¾Ë°Ô µÉ °ÍÀÌ´Ù. ÀÌ Ã¥Àº µ¶Àڵ鿡°Ô ¾ÕÀ¸·Î ¼ö½Ê ³â µ¿¾È ±Þ¼Óµµ·Î ¼ºÀåÇÒ °Å´ë »ê¾÷¿¡ ´ëÇÑ ±âÃÊ ³»¿ëÀ» Á¦°øÇÒ °ÍÀÌ´Ù.
ÀúÀÚ ¶óÀ𸵰¡ÆÄ´Â ÄÄÇ»ÅÍ ºñÀü°ú °ü·ÃµÈ ¿©·¯ ÇÁ·ÎÁ§Æ®¿¡¼ ³ª¿Í ÇÔ²² ÀÛ¾÷Çß´ø ÈǸ¢ÇÑ ¿¬±¸¿øÀÌ´Ù. ±×´Â ÀÇ·ù °Ë»öÀ» À§ÇÑ º¹ÀâÇÑ ÄÄÇ»ÅÍ ºñÀü ¹× µö·¯´× ½Ã½ºÅÛÀ» ¼³°èÇÏ°í Á¦°øÇÑ ¼ö¼® ¿£Áö´Ï¾î¿´À¸¸ç, ÇØ´ç ÇÁ·ÎÁ§Æ®´Â ½ÇÁ¦·Îµµ Å©°Ô ¼º°øÀ» °Åµ×´Ù. ±×ÀÇ °Á¡ Áß Çϳª´Â º¹ÀâÇÑ ¹®Á¦¿¡ ´ëÇÑ ÃÖ÷´Ü ¿¬±¸ ³»¿ëÀ» ½ÇÁ¦ »óȲ¿¡ Àû¿ëÇÒ ¼ö ÀÖ´Ù´Â °ÍÀ̸ç, º¹ÀâÇÑ ¾ÆÀ̵ð¾î¸¦ ºÐÇØÇÏ°í °£´ÜÇÏ°Ô ¼³¸íÇÒ ¼ö ÀÖ´Ù. ¶óÀ𸵰¡ÆÄ´Â ÈǸ¢ÇÑ Á÷¾÷À±¸®¸¦ °¡Áö°í ÀÖÀ¸¸ç ¸Å¿ì ¾ßħ Â÷´Ù. µö·¯´×À» »ç¿ëÇÏ´Â ÄÄÇ»ÅÍ ºñÀüÀÇ ÃֽŠ±â¼úµé¿¡ ´ëÇÑ ³»¿ëÀ» Á¤¸®ÇßÀ¸¸ç, ÀÌ·¯ÇÑ Á¤¸® ³»¿ëÀº ¸¹Àº »ç¶÷ÀÌ ½±°Ô ÇÒ ¼ö ÀÖ´Â °ÍÀÌ ¾Æ´Ï´Ù. ÀÌ Ã¥Àº ¶óÀ𸵰¡ÆÄÀÇ Å« °á°ú¹°µéÀ» Á¤¸®ÇÑ °ÍÀ̸ç, µ¶ÀÚµéÀº ¾ÕÀ¸·Î ¼ö³â µ¿¾È ÀÌ °á°ú¹°À» Àß »ç¿ëÇÔÀ¸·Î½á ¸¹Àº ÇýÅÃÀ» ¾òÀ» ¼ö ÀÖÀ» °ÍÀÌ´Ù.
¸ñÂ÷
1Àå. ½ÃÀÛÇϱâ
µö·¯´× ÀÌÇØÇϱâ
ÆÛ¼ÁÆ®·Ð
È°¼ºÈ ÇÔ¼ö
Àΰø ½Å°æ¸Á
¿ø-ÇÖ ÀÎÄÚµù
½Å°æ¸Á ÇнÀ
ÅÙ¼Ç÷ΠÇ÷¹À̱׶ó¿îµå »ìÆ캸±â
ÄÁº¼·ç¼Ç ½Å°æ¸Á
¼øȯ ½Å°æ¸Á
LSTM
ÄÄÇ»ÅÍ ºñÀüÀ» À§ÇÑ µö·¯´×
ºÐ·ù
°ËÃ⠶Ǵ ·ÎÄöóÀÌÁ¦ÀÌ¼Ç ¹× ºÐÇÒ
À¯»çµµ ÇнÀ
À̹ÌÁö ĸ¼Å´×
»ý¼º ¸ðµ¨
µ¿¿µ»ó ºÐ¼®
°³¹ß ȯ°æ ¼³Á¤Çϱâ
Çϵå¿þ¾î ¹× ¿î¿µÃ¼Á¦
¼ÒÇÁÆ®¿þ¾î ÆÐÅ°Áö ¼³Ä¡Çϱâ
¿ä¾à
2Àå. À̹ÌÁö ºÐ·ù
ÅÙ¼Ç÷ο¡¼ MNIST ¸ðµ¨ ÈÆ·ÃÇϱâ
MNIST µ¥ÀÌÅͼÂ
MNIST µ¥ÀÌÅÍ ·ÎµåÇϱâ
ÆÛ¼ÁÆ®·Ð ±¸ÃàÇϱâ
´ÙÁß ·¹À̾î ÄÁº¼·ç¼Ç ½Å°æ¸Á ±¸ÃàÇϱâ
Äɶ󽺿¡¼ MNIST ¸ðµ¨ ÈƷýÃÅ°±â
µ¥ÀÌÅͼ ÁغñÇϱâ
¸ðµ¨ ±¸ÃàÇϱâ
±× ¿Ü ÀϹÝÀûÀ¸·Î »ç¿ëµÇ´Â À̹ÌÁö Å×½ºÆ® µ¥ÀÌÅͼÂ
CIFAR µ¥ÀÌÅͼÂ
ÆмÇ-MNIST µ¥ÀÌÅͼÂ
ImageNet µ¥ÀÌÅͼ ¹× ´ëȸ
´õ ±íÀº µö·¯´× ¸ðµ¨
AlexNet ¸ðµ¨
VGG-16 ¸ðµ¨
±¸±Û ÀμÁ¼Ç-V3 ¸ðµ¨
¸¶ÀÌÅ©·Î¼ÒÇÁÆ® ResNet-50 ¸ðµ¨
SqueezeNet ¸ðµ¨
°ø°£ º¯È¯ ³×Æ®¿öÅ©
DenseNet ¸ðµ¨
°³¿Í °í¾çÀ̸¦ ¿¹ÃøÇÏ´Â ¸ðµ¨ ÈƷýÃÅ°±â
µ¥ÀÌÅÍ ÁغñÇϱâ
°£´ÜÇÑ CNNÀ¸·Î º¥Ä¡¸¶Å·Çϱâ
µ¥ÀÌÅͼ ȮÀåÇϱâ
¸ðµ¨ÀÇ ÀüÀÌ ÇнÀ ¶Ç´Â ¹Ì¼¼ Á¶Á¤
µö·¯´×ÀÇ ¿©·¯ ·¹À̾î ÆÄÀÎ Æ©´×Çϱâ
½ÇÁ¦ ¾ÖÇø®ÄÉÀÌ¼Ç °³¹ßÇϱâ
¿Ã¹Ù¸¥ ¸ðµ¨ ¼±ÅÃÇϱâ
¾ð´õÇÇÆà ¹× ¿À¹öÇÇÆà ½Ã³ª¸®¿À ÇØ°áÇϱâ
¾ó±¼¿¡¼ ¼ºº°°ú ³ªÀÌ °ËÃâÇϱâ
ÀÇ·ù ¸ðµ¨ ¹Ì¼¼ Á¶Á¤Çϱâ
ºê·£µå ¾ÈÁ¤¼º
¿ä¾à
3Àå. À̹ÌÁö °Ë»ö
½Ã°¢Àû Ư¡ÀÇ ÀÌÇØ
µö·¯´× ¸ðµ¨ È°¼ºÈÀÇ ½Ã°¢È
ÀÓº£µù ½Ã°¢È
DeepDream
Àû´ëÀûÀÎ »ç·Ê
¸ðµ¨ Ãß·Ð
¸ðµ¨ ³»º¸³»±â
ÈÆ·ÃµÈ ¸ðµ¨ »ç¿ë
ÄÜÅÙÃ÷ ±â¹Ý À̹ÌÁö °Ë»ö
°Ë»ö ÆÄÀÌÇÁ¶óÀÎ ±¸Ãà
È¿À²Àû °Ë»ö
ANNOY¸¦ »ç¿ëÇÑ ¸ÅĪ °¡¼ÓÈ
Raw À̹ÌÁö ÀÚµ¿ ÀÎÄÚ´õ
ÀÚµ¿ ÀÎÄÚ´õ¸¦ »ç¿ëÇÑ ³ëÀÌÁî Á¦°Å
¿ä¾à
4Àå. °´Ã¼ °ËÃâ
À̹ÌÁö¿¡¼ÀÇ °´Ã¼ °ËÃâ
µ¥ÀÌÅͼ Ž»öÇϱâ
ImageNet µ¥ÀÌÅͼÂ
ÆĽºÄ® VOC 縰Áö
COCO °´Ã¼ °ËÃâ 縰Áö
ÃøÁ¤ Ç׸ñÀ» »ç¿ëÇØ µ¥ÀÌÅÍ ÁýÇÕ Æò°¡Çϱâ
¾Ë°í¸®Áò ·ÎÄöóÀÌÁ¦À̼ÇÇϱâ
½½¶óÀ̵ù À©µµ¿ì¸¦ »ç¿ëÇØ °´Ã¼ ·ÎÄöóÀÌÁ¦À̼ÇÇϱâ
·ÎÄöóÀÌÁ¦À̼ÇÀ» ȸ±Í ¹®Á¦·Î »ý°¢Çغ¸±â
°´Ã¼ °ËÃâ
R-CNN
Fast R-CNN
Faster R-CNN
½Ì±Û ¼¦ ´ÙÁß ¹Ú½º °ËÃâ±â
°´Ã¼ °ËÃâ API
¼³Ä¡ ¹× ¼³Á¤
»çÀü ÈÆ·ÃµÈ ¸ðµ¨
°´Ã¼ °ËÃ⠸𵨠ÀçÈÆ·Ã
ÀÚÀ²ÁÖÇà¿ë º¸ÇàÀÚ °ËÃâ ÈÆ·Ã
YOLO °´Ã¼ °ËÃâ ¾Ë°í¸®Áò
¿ä¾à
5Àå. ½Ã¸Çƽ ºÐÇÒ
Çȼ¿ ¿¹Ãø
ÀÇ·á À̹ÌÁö Áø´Ü
À§¼º À̹ÌÁö¸¦ »ç¿ëÇØ Áö±¸¸¦ »ìÆ캸±â
·Îº¿ÀÌ º¼ ¼ö ÀÖµµ·Ï Çã¿ëÇϱâ
µ¥ÀÌÅͼÂ
½Ã¸Çƽ ºÐÇÒÀ» À§ÇÑ ¾Ë°í¸®Áò
¿ÏÀü ÄÁº¼·ç¼Ç ³×Æ®¿öÅ©
SegNet ¾ÆÅ°ÅØó
È®Àå ÄÁº¼·ç¼Ç
DeepLab
RefiNet
PSPnet
´ëÇü Ä¿³ÎÀÇ ¹®Á¦
DeepLab v3
¿ïÆ®¶ó-½Å°æ ºÐÇÒ
À§¼º À̹ÌÁö ºÐÇÒ
ºÐÇÒÀ» À§ÇÑ FCN ¸ðµ¨¸µ
ÀνºÅϽº ºÐÇÒ
¿ä¾à
6Àå. À¯»çµµ ÇнÀ
À¯»çµµ ÇнÀÀ» À§ÇÑ ¾Ë°í¸®Áò
¼¤ ³×Æ®¿öÅ©
FaceNet
DeepNet ¸ðµ¨
DeepRank
½Ã°¢Àû Ãßõ ½Ã½ºÅÛ
Àΰ£ ¾ó±¼ ºÐ¼®
¾ó±¼ °ËÃâ
¾ó±¼ Ç¥½Ä ¹× ¼Ó¼º(attribute)
ij±Û Å°Æ÷ÀÎÆ® µ¥ÀÌÅͼÂ
¾ó±¼ ÀνÄ
¾ó±¼ Ŭ·¯½ºÅ͸µ
¿ä¾à
7Àå. À̹ÌÁö ĸ¼Ç ó¸®
¹®Á¦ ¹× µ¥ÀÌÅͼ ÀÌÇØÇϱâ
À̹ÌÁö ĸ¼ÇÀ» À§ÇÑ ÀÚ¿¬¾î ó¸® ÀÌÇØ
º¤ÅÍ ÇüÅ·Π´Ü¾î Ç¥ÇöÇϱâ
´Ü¾î¸¦ º¤ÅÍ·Î º¯È¯
ÀÓº£µù ÈÆ·Ã
À̹ÌÁö ĸ¼Ç ¹× °ü·Ã ¹®Á¦¿¡ ´ëÇÑ Á¢±Ù ¹æ¹ý
Á¶°ÇºÎ ·£´ý Çʵ带 »ç¿ëÇØ À̹ÌÁö¿Í ÅؽºÆ® ¿¬°áÇϱâ
CNN ±â´É¿¡¼ RNNÀ» »ç¿ëÇØ ÀÚ¸· »ý¼º
À̹ÌÁö ¼øÀ§¸¦ »ç¿ëÇØ ÀÚ¸· ¸¸µé±â
À̹ÌÁö¿Í À̹ÌÁö¿¡¼ ĸ¼Ç °¡Á®¿À±â
¹ÐÁý ĸ¼Ç
ĸ¼Ç¿¡ RNN »ç¿ëÇϱâ
´ÙÁß ¸ð´Þ ÃøÁ¤ Ç׸ñ °ø°£ »ç¿ëÇϱâ
ĸ¼Ç ÀÛ¼º ½Ã °ü½É ³×Æ®¿öÅ© »ç¿ëÇϱâ
¾ðÁ¦ »ìÆìºÁ¾ß ÇÒÁö ÆľÇÇϱâ
°ü½É ±â¹Ý À̹ÌÁö ĸ¼Ç ¹æ¹ý ±¸ÇöÇϱâ
¿ä¾à
8Àå. »ý¼º ¸ðµ¨
»ý¼º ¸ðµ¨ÀÇ ¾ÖÇø®ÄÉÀ̼Ç
¿¹¼úÀû ½ºÅ¸ÀÏ ÀÌÀü ¹æ¹ý
µ¿¿µ»óÀÇ ´ÙÀ½ ÇÁ·¹ÀÓ ¿¹Ãø ¹æ¹ý
½´ÆÛ ÇØ»óµµ À̹ÌÁö
´ëÈÇü À̹ÌÁö »ý¼ºÇϱâ
À̹ÌÁö¸¦ À̹ÌÁö·Î º¯È¯Çϱâ
ÅؽºÆ®·Î À̹ÌÁö »ý¼ºÇϱâ
ºÒÇÊ¿ä Á¦°Å
ºí·»µù
¼Ó¼º º¯È¯Çϱâ
ÈÆ·Ã µ¥ÀÌÅÍ »ý¼º
»õ ¾Ö´Ï¸ÞÀÌ¼Ç Ä³¸¯ÅÍ ¸¸µé±â
»çÁøÀ¸·ÎºÎÅÍ 3D ¸ðµ¨ »ý¼º
½Å°æ ¿¹¼ú ½ºÅ¸ÀÏ Àü¼Û
ÄÜÅÙÃ÷ ¼Õ½Ç
±×·¥ ¸ÅÆ®¸¯½º¸¦ »ç¿ëÇÑ ½ºÅ¸ÀÏ ¼Õ½Ç
½ºÅ¸ÀÏ Àü¼Û
GAN
¹Ù´Ò¶ó GAN
Á¶°ÇºÎ GAN
Àû´ëÀû ¼Õ½Ç
À̹ÌÁö º¯È¯
InfoGAN
GANÀÇ ´ÜÁ¡
VDM
VDM ¾Ë°í¸®Áò
¿ä¾à
9Àå. µ¿¿µ»ó ºÐ·ù
µ¿¿µ»óÀÇ ÀÌÇØ ¹× ºÐ·ù
µ¿¿µ»ó ºÐ·ù µ¥ÀÌÅͼ Ž»ö
µ¿¿µ»óÀ» ÇÁ·¹ÀÓÀ¸·Î ºÐÇÒÇϱâ
µ¿¿µ»ó ºÐ·ù Á¢±Ù¹ý
µ¿¿µ»ó¿¡ ´ëÇÑ À̹ÌÁö ±â¹Ý Á¢±Ù¹ý È®Àå
»ç¶÷ÀÇ Æ÷Áîµµ Àû¿ëÇϱâ
µ¿¿µ»ó ºÐÇÒ
µ¿¿µ»ó ĸ¼Ç
µ¿¿µ»ó »ý¼º
¿ä¾à
10Àå. ¹èÆ÷
¸ðµ¨ ¼º´É
¸ðµ¨ ¾çÀÚÈ
MobileNets
Ŭ¶ó¿ìµå¿¡¼ ¹èÆ÷Çϱâ
AWS
±¸±Û Ŭ¶ó¿ìµå Ç÷§Æû
ÀåÄ¡¿¡ ¸ðµ¨ ¹èÆ÷Çϱâ
Jetson TX2
¾Èµå·ÎÀ̵å
¾ÆÀÌÆù
¿ä
°ü·ÃÀ̹ÌÁö
ÀúÀÚ¼Ò°³
»ý³â¿ùÀÏ | - |
---|
ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.
»ý³â¿ùÀÏ | - |
---|
Å×Å© Æ®·£½º ±×·ì T4´Â ÃֽŠIT Å×Å©³î·ÎÁö¿¡ ´ëÇÑ ¸®¼Ä¡¸¦ ¸ñÀûÀ¸·Î ÇÏ´Â ½ºÅ͵ð ±×·ìÀÌ´Ù. ¿£ÅÍÇÁ¶óÀÌÁî ȯ°æ¿¡¼ ¿ÀǼҽº¸¦ È°¿ëÇÑ ÇÁ·¹ÀÓ¿öÅ© ±¸Ãà¿¡ °ü½ÉÀÌ ¸¹À¸¸ç React.js, Node.js, OpenCV, ¸Ó½Å·¯´×/µö·¯´× µîÀÇ ±â¼ú¿¡ ÁÖ¸ñÇÏ°í ÀÖ´Ù. ¶ÇÇÑ ´Ù¾çÇÑ ¿ÀǼҽº ±â¹Ý Ç÷§ÆûÀÇ °³¹ß ¹× È°¿ë¿¡ ¸¹Àº °ü½ÉÀ» °®°í ÀÖ´Ù. ¿ª¼·Î´Â ¡ºOpenCV¸¦ À§ÇÑ ¸Ó½Å·¯´×¡»(¿¡ÀÌÄÜ, 2017), ¡ºÄÄÇ»ÅÍ ºñÀü°ú µö·¯´×¡»(¿¡ÀÌÄÜ, 2018) µîÀÌ ÀÖ´Ù.
¿ªÀÚÀÇ ´Ù¸¥Ã¥
Àüüº¸±âOpenCV 4¸¦ È°¿ëÇÑ ¸Ó½Å·¯´× ÀÔ¹®
ºñÀü°ú À̹ÌÁö ó¸® ¾ÛÀ» ¸¸µé±â À§ÇÑ Open...
Node.js, MongoDB¿Í Angular¸¦ ÀÌ¿ëÇÑ À¥ ...
ÁÖ°£·©Å·
´õº¸±â»óÇ°Á¤º¸Á¦°ø°í½Ã
À̺¥Æ® ±âȹÀü
Àü°øµµ¼/´ëÇб³Àç ºÐ¾ß¿¡¼ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥
ÆǸÅÀÚÁ¤º¸
»óÈ£ |
(ÁÖ)±³º¸¹®°í |
---|---|
´ëÇ¥ÀÚ¸í |
¾Èº´Çö |
»ç¾÷ÀÚµî·Ï¹øÈ£ |
102-81-11670 |
¿¬¶ôó |
1544-1900 |
ÀüÀÚ¿ìÆíÁÖ¼Ò |
callcenter@kyobobook.co.kr |
Åë½ÅÆǸž÷½Å°í¹øÈ£ |
01-0653 |
¿µ¾÷¼ÒÀçÁö |
¼¿ïƯº°½Ã Á¾·Î±¸ Á¾·Î 1(Á¾·Î1°¡,±³º¸ºôµù) |
±³È¯/ȯºÒ
¹ÝÇ°/±³È¯ ¹æ¹ý |
¡®¸¶ÀÌÆäÀÌÁö > Ãë¼Ò/¹ÝÇ°/±³È¯/ȯºÒ¡¯ ¿¡¼ ½Åû ¶Ç´Â 1:1 ¹®ÀÇ °Ô½ÃÆÇ ¹× °í°´¼¾ÅÍ(1577-2555)¿¡¼ ½Åû °¡´É |
---|---|
¹ÝÇ°/±³È¯°¡´É ±â°£ |
º¯½É ¹ÝÇ°ÀÇ °æ¿ì Ãâ°í¿Ï·á ÈÄ 6ÀÏ(¿µ¾÷ÀÏ ±âÁØ) À̳»±îÁö¸¸ °¡´É |
¹ÝÇ°/±³È¯ ºñ¿ë |
º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã |
¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯ |
·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì ·½Ã°£ÀÇ °æ°ú¿¡ ÀÇÇØ ÀçÆǸŰ¡ °ï¶õÇÑ Á¤µµ·Î °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀÇ ¼ÒºñÀÚº¸È£¿¡ °üÇÑ ¹ý·üÀÌ Á¤ÇÏ´Â ¼ÒºñÀÚ Ã»¾àöȸ Á¦ÇÑ ³»¿ë¿¡ ÇØ´çµÇ´Â °æ¿ì |
»óÇ° Ç°Àý |
°ø±Þ»ç(ÃâÆÇ»ç) Àç°í »çÁ¤¿¡ ÀÇÇØ Ç°Àý/Áö¿¬µÉ ¼ö ÀÖÀ½ |
¼ÒºñÀÚ ÇÇÇغ¸»ó |
·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© ó¸®µÊ ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀǼҺñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ |
(ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º´Â ȸ¿ø´ÔµéÀÇ ¾ÈÀü°Å·¡¸¦ À§ÇØ ±¸¸Å±Ý¾×, °áÁ¦¼ö´Ü¿¡ »ó°ü¾øÀÌ (ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º¸¦ ÅëÇÑ ¸ðµç °Å·¡¿¡ ´ëÇÏ¿©
(ÁÖ)KGÀ̴Ͻýº°¡ Á¦°øÇÏ´Â ±¸¸Å¾ÈÀü¼ºñ½º¸¦ Àû¿ëÇÏ°í ÀÖ½À´Ï´Ù.
¹è¼Û¾È³»
±³º¸¹®°í »óÇ°Àº Åùè·Î ¹è¼ÛµÇ¸ç, Ãâ°í¿Ï·á 1~2Àϳ» »óÇ°À» ¹Þ¾Æ º¸½Ç ¼ö ÀÖ½À´Ï´Ù.
Ãâ°í°¡´É ½Ã°£ÀÌ ¼·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä »óÇ°À» ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
±ººÎ´ë, ±³µµ¼Ò µî ƯÁ¤±â°üÀº ¿ìü±¹ Åù踸 ¹è¼Û°¡´ÉÇÕ´Ï´Ù.
¹è¼Ûºñ´Â ¾÷ü ¹è¼Ûºñ Á¤Ã¥¿¡ µû¸¨´Ï´Ù.