오늘의 주제

• 이미지 데이터의 특징과 컴퓨터 비전 태스크
• Multi-Layer Perceptron(MLP) 구조
• 이미지 데이터를 다룰 때 MLP구조의 한계

오늘의 목표

• 이미지 데이터의 특징을 이해한다.
• 컴퓨터 비전 태스크 3가지 Classification, Object Detection, Segmentation을 이해한다.
• 이미지 데이터를 다룰 때 MLP 구조의 한계점을 이해하고 설명합니다.

오늘의 미션

1. 이미지 내의 정보

   • 인간은 이미지에서 색, 형태, 질감 등의 정보를 바로 얻습니다.
   • 한편, 컴퓨터는 “주변의 여러 개의 픽셀과 의 관계를 통해” 정보를 얻습니다.

2. 컴퓨터 비젼의 테스크

   • 컴퓨터 비젼과 관련한 테스크는 대표적으로 Classification, Object Detection, Segmentation 등이 있습니다.

   • (미션) Classification, Object Detection, Segmentation 3가지 테스크를 구분하고 예시를 들어 설명해보세요.

     • (답을 여기)

     Classification - 분류
     분류는 이미지 전체를 분석하여 어떤 카테고리에 속하는지 판단하는 작업이다.
     이미지에 고양이가 있는지 없는지 판별하거나, 풍경인지 인물인지 구분하는 등
     
     Object Detection - 객체 감지
     이미지에서 특정 객체가 존재하는 위치와 카테고리를 동시에 파악하는 작업이다.
     이미지 내 여러 객체를 찾아낼 수 있고 각 객체의 위치를 Bounding Box(BBox)로 표시한다.
     도로 위 자동차와 행인 감지 및 위치파악하는 등
     
     Segmentation - 세분화
     이미지의 각 픽셀이 어떤 객체 또는 카테고리에 속하는지 파악하는 작업이다.
     이미지를 픽셀 수준으로 분석한다.
     의료 영상에서 암세포와 주변 조직의 경계를 파악
     자율 주행 자동차가 차선과 주변 장애물을 구분하는 등
     

3. MLP의 구조를 살펴봅니다.

   • single perceptron은 MLP의 가장 기본단위입니다. 퍼셉트론은 뉴런의 작동 원리를 모사한 것으로, 입력변수를 가중합하고 활성함수를 통과하여 최종 출력값을 만들어 냅니다. 활성함수를 통해 비선형성을 얻을 수 있습니다.
   • 실제값과 출력값의 차이를 통해서 손실을 구하고, 손실값을 통해 계산한 그래디언트를 역전파 하여 파라미터를 변경하여 학습합니다.
   • 더 많은 은닉 노드를 추가하여 multi perceptron을 구성합니다. 은닉 노드가 더 증가할 수록 분류 경계면의 복잡도가 높아집니다.
   • 은닉층을 추가하여 MLP를 구성합니다. representation 학습을 통해 입력데이터의 다양하고 복잡한 패턴을 찾게 됩니다.

     • (미션) 은닉층과 노드가 증가할 수록 MLP는 더 다양한 형태의 데이터의 표현을 학습할 수 있습니다. 다음 링크를 통해 XOR 데이터 분류를 시도해봅시다.

       • XOR 데이터

       

       • 은닉층의 개수에 따른 차이를 관찰해봅시다.
       • 뉴런 개수에 따른 차이를 관찰해 봅시다.

4. MLP의 한계

   • MNIST 데이터를 약간 변형하여 기존의 MLP 모델이 잘 분류하는지 살펴봅니다. 이미지를 이동하고 회전하였는데 성능이 좋지 못합니다.
   • (미션) 이와 같이 MLP가 이미지 데이터를 잘 다루지 못하는 이유와 그 한계점은 무엇인가요?
     • (답을 여기)

오늘의 회고