컴퓨터 비전 기술면접 용어정리 1

정밀도 (Precision):

정답으로 예측한 값 중에서 실제 정답인 경우를 나타냅니다. 매칭 알고리즘이 긍정, 즉 매칭 쌍으로 예측한 개수 중에 진짜 쌍인 비율.

재현율 (Recall 또는 민감도):

실제 1인 값 중에서 1이라고 예측한 것이 있는 경우를 나타냅니다. 진짜 쌍 중에 알고리즘이 찾아낸 쌍의 비율.

정확도 (Accuracy):

전체 경우의 수 중에서 정답으로 분류한 비율을 나타냅니다.

가우시안 혼합 모델 (Gaussian Mixture Model, GMM): 가우시안 분포를 여러 개 혼합하여 데이터의 복잡한 분포를 근사화하는 머신러닝 알고리즘입니다.

그래프 합성곱 신경망 (Graph Convolutional Network, GCN): CNN의 local feature를 학습하는 것과 weight sharing을 그래프에 적용시키는 neural network 중 하나로, 그래프 데이터에 대한 학습을 수행합니다.

시맨틱 세그멘테이션 (Semantic Segmentation): 이미지 내 모든 픽셀을 사전에 정의된 클래스로 분류하는 작업으로, 같은 클래스를 객체 별로 구분하지 않으며 중첩된 경우 하나로 인식합니다.

인스턴스 세그멘테이션 (Instance Segmentation): 이미지 내 객체만 분류하고, 같은 종류의 객체라도 서로 분리해서 인식하는 작업입니다.

파노픽 세그멘테이션 (Panoptic Segmentation): 시맨틱과 인스턴스 세그멘테이션을 결합한 방식으로, thing과 stuff로 나눠서 객체를 인식합니다.

레이블링 및 마스크 (Mask): 레이블링은 이미지나 데이터의 각 부분에 대해 정해진 클래스 또는 속성을 할당하는 작업을 말합니다. 세그멘테이션에서는 주로 객체의 영역을 나타내는 마스크(mask)를 사용하여 레이블링을 수행합니다. 각 픽셀은 해당 객체에 속하는지 여부를 나타내는 이진값으로 표현됩니다.

Segmentation 성능 개선 방법:

1. TTA (Test Time Augmentation):
   • 테스트 시에 데이터에 다양한 변형을 적용하여 모델의 성능을 향상시키는 방법입니다.
   • 이미지를 회전, 뒤집기, 크기 조절 등 다양한 변형을 적용하여 각 변형에 대한 예측을 평균하거나 앙상블하여 성능을 향상시킵니다.
2. PseudoLabeling:
   • 가짜 레이블을 사용하여 모델을 훈련시키는 방법입니다.
   • 초기에는 기존 데이터에 대해 훈련한 후, 모델이 새로운 데이터에 대해 예측한 레이블을 사용하여 추가적인 훈련을 수행합니다.
   • 이를 통해 모델이 더 많은 데이터에 적응하고 일반화 성능을 향상시킬 수 있습니다.
3. Sliding Window (Overlapping):
   • 이미지를 겹치는 영역으로 나누어 모델에 입력으로 제공하는 방법입니다.
   • 세그멘테이션 작업에서 이미지를 작은 패치로 나누어 처리하면, 객체의 경계 부분에서 정보를 놓칠 수 있습니다. 겹치는 영역을 사용하면 이러한 문제를 완화할 수 있습니다.
   • 모델은 겹치는 부분에 대한 예측을 조합하여 전체 이미지에 대한 정확한 세그멘테이션을 생성합니다.

이러한 세 가지 기법은 세그멘테이션 모델의 성능을 향상시키기 위해 사용되는 효과적인 전략들입니다.

도커 (Docker): Go언어로 작성된 리눅스 컨테이너 기반의 오픈소스 가상화 플랫폼으로, 컨테이너를 쉽게 관리하고 배포할 수 있도록 도와줍니다.

쿠버네티스 (Kubernetes): 컨테이너를 다루는 도구로, 여러 서버에 컨테이너를 분산 배치하거나 문제가 생긴 컨테이너를 교체하고 관리하는 역할을 수행하는 컨테이너 오케스트레이션 도구입니다.

AWS Serverless Application Model (SAM): AWS에서 서버리스 애플리케이션을 구축할 때 사용되는 오픈소스 프레임워크로, 로컬에서 애플리케이션을 구성하고 서버리스로 배포할 수 있도록 지원합니다.

CUDA (Compute Unified Device Architecture): NVIDIA에서 개발한 범용 컴퓨팅을 위한 GPU 기반 병렬 컴퓨팅 플랫폼 및 프로그래밍 모델입니다.