Computer Vision's understanding

서문

본 포스트에서는 컴퓨터 비전의 정의부터 시작해 컴퓨터 비전의 필요성, 컴퓨터 비전의 기술과 컴퓨터 비전의 응용 분야,

활용 사례를 알아보고 컴퓨터 비전의 미래에 대해 생각해보려 합니다.

​

다만, 컴퓨터 비전의 '작동 원리'에 대해서는 설명하지 않겠습니다.

현재까지도 이와 관련하여 수많은 논문이 발표되고 있고,

(CNN (Convolution Neural Network), YOLO, GAN, ResNet, RCN (Recursive Cortical Network), RNN (Recursive Neural Network)

등등... 무척이나 많습니다. 이 키워드로 구글링해보셔서 알아보는 것도 좋은 공부일겁니다.)

앞으로도 수없이 연구되고 논의될 것으로 전망하여 컴퓨터 비전의 '작동 원리'를

하나로 딱 집어 설명하기 어렵기 때문입니다. 또한, 자칫하면 루즈해질 수 있겠죠.

목차

1. 컴퓨터 비전의 개요

​

1.1 컴퓨터 비전이란?

1.2 컴퓨터 비전은 왜 필요할까?

1.3 컴퓨터 비전이 할 수 있는 것들

​

2. 컴퓨터 비전의 응용

​

2.1 컴퓨터 비전의 응용 분야 및 사례

2.2 컴퓨터 비전의 미래 (4차 산업혁명)

​

참고 문헌

​

참고 문헌 출처 명시

---

1. 컴퓨터 비전의 개요

1.1 컴퓨터 비전이란?

컴퓨터 비전 (Computer Vision)은 Computer (컴퓨터)와 Vision (시각)의 합성어로,

컴퓨터를 이용해 영상 (Image)으로부터 유용한 (의미있는) 정보를 추출해낼 수 있는 방법을 연구하는 분야입니다.

우리가 눈으로부터 받아드리는 시각 정보를 이용하여 길을 찾고 가족과 친구를 알아보는 것부터 시작해 자연 현상을 관찰하고, 지식을 습득하는 등 다양한 일을 할 수 있는 것처럼 컴퓨터에게 또한 그러한 '눈'을 달아주고자 하는 것이죠.

여기서 눈은 우리가 일상에서 흔히 쓰는 관용 표현인 '보는 눈이 있다'의 그 '눈'입니다.

시각 정보를 곧이곧대로 받아드리기만 하는 것이 아니라 그것을 이용하여 유용한 정보를 추출해낼 수 있는,

그러니까 '지능적인 눈'을 뜻하는 것이죠. [1]

한마디로, 인간의 시각 기능을 컴퓨터에 재현하는 것이라 볼 수 있습니다.

인간의 시각 vs 컴퓨터 비전 (출처: https://www.researchgate.net/figure/Computer-VS-Human-vision_fig1_350106329)

​

이해를 돕기 위해 예시를 하나 들어보겠습니다.

​

두 컴퓨터가 있다고 해봅시다.

그리고 컴퓨터 2에게만 컴퓨터 비전을 적용시켜봅시다.

​

출처: https://pixabay.com/photos/apple-red-fruit-food-fresh-ripe-1834639/

여기 이미지가 하나 있습니다.

우리는 이미지 속 물체가 사과라는 사실을 단번에 알 수 있지만

사과를 봤을리 만무한 두 컴퓨터는 이것이 무엇인지 모르겠죠.

그래서 우리는 일단 두 컴퓨터에게 이 이미지를 '사과'라고 알려줄 것입니다.

그리고 다른 사과 이미지도 몇가지 찾아 두 컴퓨터에게 '사과'라고 알려줍니다.

​

출처: https://pixabay.com/photos/food-healthy-apple-fruit-1283621/

그리고 여기 또 다른 이미지가 있습니다.

우리는 이 이미지 또한 사과라는 사실을 단번에 알아차릴 수 있습니다.

이번엔 두 컴퓨터에게 이 이미지가 사과인지 물어보겠습니다. (처음보는 이미지)

​

컴퓨터 1의 답은 '사과가 아니다'

컴퓨터 2의 답은 '사과가 맞다'

입니다.

​

왜 다른 답이 나왔을까요?

이유를 물어보면

컴퓨터 1은 '전에 보여줬던 사과들이랑 대조해봤을 때 픽셀 하나하나 100% 일치하지 않으니 이것은 사과가 아니다'

컴퓨터 2는 '전에 보여줬던 사과들의 특징들 (모양, 색 등)을 종합해봤을 때 꼭지가 있고 둥글둥글하며 빨간색이니 이것은 사과다.'

라고 합니다.

​

컴퓨터 1의 대답은 좀 어이가 없죠.

픽셀 하나하나 봤을 때 100% 일치하지 않으니 사과가 아니라니...!

반면, 컴퓨터 2는 전에 보여줬던 이미지들로부터 특징 (유용한 정보)을 캐치하고 이를 이용해 사과라고 판단 (또 다른 유용한 정보)을 내렸습니다.

(컴퓨터 비전의 대표적인 방식으로, 이것을 특징 감지 (Feature Detection), 특징 추출 (Feature Extraction) 등과

CNN (Convolution Neural Network)의 개념으로 설명하기도 합니다.)

​

이로써 컴퓨터 1보다는 컴퓨터 2의 방식 (컴퓨터 비전)이 우리가 생각하는 방식과 더 유사하고 '일반화'에 더욱 유리하다는 것을 알 수 있습니다.

---

1.2 컴퓨터 비전은 왜 필요할까? (CV : Computer Vision)

그렇다면, 컴퓨터 비전은 왜 필요한 것일까요?

다시말해, 인간처럼 '지능적인 눈'이 컴퓨터에게 왜 필요하고 어떠한 이유로 각광받고 있는 것일까요?

​

인간의 오감 (시각, 후각, 청각, 미각, 촉각) 중 가장 중요하다고 생각하는 (모두 중요하지만) 감각을 하나만 꼽아보라 하면

대부분의 사람들은 시각을 꼽을겁니다. 우리가 받아드리는 정보들이 대부분 시각으로부터 오기 때문인데요,

실제로도 우리가 받아드리는 전체 감각 정보 중 70% 가량이 시각 정보라고 합니다. [2]

그만큼 시각이 인지에 아주 중요한 역할을 한다는 겁니다. 우리 인간이 시각 정보를 이용해 다양한 일을 하는 것처럼,

컴퓨터로 이러한 '지능적인 눈'을 구현하기만 한다면 실생활에서 매우 편리하게 써먹을 수 있겠죠.

컴퓨터는 처리 속도가 매우 매우 빠르며 기억력도 인간과는 비교도 안될 정도로 좋습니다.

인간과 달리 지치지도 않으니 전력만 공급한다면 24시간 눈 한번 안깜고 지켜보게 할 수도 있죠.

컴퓨터도 인간처럼 알아서 잘 딱 깔끔하고 센스있게 (알잘딱깔센) 일사천리로 영상 (Image)에서 필요한 정보만 골라내고

이를 이용해 자동으로 판단을 내린다면 그야말로 금상첨화일 것입니다.

인간의 수고를 크게 덜어주고 우리 삶을 더욱 더 편리하게 만들어줄 수 있겠죠.

이렇게 인간의 시각을 컴퓨터로 자동화하는 것이 컴퓨터 비전의 가장 큰 역할이며

미래로 나아가기 위한 핵심 열쇠로써 컴퓨터 비전이 필요하다고 할 수 있습니다.

​

이러한 아이디어는 오래전 (1960년대, 약 60년전)부터 거론되고 또 연구되어 왔지만 지금처럼 각광받지는 못했는데요,

초기의 컴퓨터 비전은 영상 (Image)의 수학적인 분석과 알고리즘을 통해 개발되어 왔지만 정확도도 낮고 일반화에 제약이 있었습니다.

한마디로 유도리있게 대처하지 못했던거죠. 정해진 값, 정해진 방법대로만 처리하는 기존 방식의 한계가 명확히 들어났고

침체기를 겪다가 근래에 들어 머신러닝과의 융합으로 정확도가 더욱 향상되고 일반화의 제약도 적어지며 머신러닝하면 대표적으로 떠오르는

이미지로 자리매김하게 되었습니다. 현재는 자율주행, 의료, 얼굴 인식 등 다양한 분야에서 컴퓨터 비전이 활용되어 인공지능과 함께 미래를 이끄는 기술로 각광받고 있죠. 하드웨어 성능이 지금보다 좋지 않았던 과거와 달리 오늘날에는 처리 속도도 더욱 빨라졌고

병렬 처리를 하는 연산 장치인 GPU의 발달도 컴퓨터 비전이 지금처럼 각광받게 되는데 한몫했습니다. [3]

사물의 영역을 검출하고 인식하는 컴퓨터 비전 기술 (출처: https://appen.com/blog/computer-vision-vs-machine-vision/)

---

1.3 컴퓨터 비전이 할 수 있는 것들

컴퓨터 비전이 할 수 있는 것들 (기술)에는 무엇이 있을까요?

오늘날 컴퓨터 비전의 대표적인 기술 5가지를 알아보도록 하겠습니다.

(Doga Ozgon의 <Top 10 Computer Vision Techniques with Deep Learning> 문서를 참고, 이미지를 사용하였습니다. [4])

​

1. 이미지 분류 (Image Classification), 객체 인식 (Image Recognition)

여기 이미지가 하나 있습니다.

우리는 이 이미지 속에 사과, 컴퓨터, 머그컵, 의자 등이 있다는 사실을 단번에 알아차릴 수 있죠.

컴퓨터 비전의 이미지 분류 (Image Classification) (또는 객체 인식 (Object Recognition)) 기술은

이렇게 이미지가 어떤 객체 (Object)에 속해있는지 맞추는 기술입니다.

컴퓨터 비전의 가장 간단한 유형이라고 볼 수 있습니다.

참고로, 여기서 객체 (Object)는 사과, 바나나, 오렌지 등과 같이 객관적인 특징을 가진 '실체적인 개념' 뜻합니다.

예를 들어, 테이블에 과일이면서 빨간색이고 둥글둥글하며 꼭지가 있는 물체가 있다고 상상해봅시다.

이때 누군가 당신에게 "테이블에 있는 물체는 무엇입니까"라고 질문한다면, 당신은 '사과'라고 답하겠죠.

'과일이면서 빨간색이고 둥글둥글하며 꼭지가 있다'가 객관적인 특징인 것이고, '사과'는 이를 지칭하는 '실체적인 개념'입니다.

사과 xxxx라고 부르진 않잖아요? 무슨 클론도 아니고.

이미지 분류 (Image Classification) 기술은 크게 두가지 유형으로 나눌 수 있는데,

하나는 이진 분류 (Binary Classification), 또 하나는 다중 클래스 분류 (Multi-Class Classification)입니다.

이진 분류는 이미지를 단일 객체로만 분류하는 유형입니다. "이것은 xx입니까?"라고 질문하고 "예", "아니오"로만 답해 하나만 선택하는 것이죠.

즉, "모 아니면 도"로, 이미지에는 오직 하나의 객체만이 존재할 수 있다는 논리입니다.

다중 클래스 분류는 이미지를 둘 이상의 객체로 분류하는 유형입니다. 위 이미지처럼 "컴퓨터가 있습니까?", "사과가 있습니까" 등등의 질문에 답하고 둘 이상의 항목을 선택하는 것이죠. 즉, "이 이미지에는 컴퓨터와 사과, 그리고 머그컵과 의자가 있다"라는 결과를 내놓는 겁니다.

그러나 이미지 분류 기술은 단순히 판단만 하기 때문에 객체가 어디에 위치하고 있는지, 몇개가 있는지 등의

세부적인 정보는 알 수 없다는 한계가 있습니다.

​

2. 객체 감지 (Object Detection)

객체 감지의 예 출처: https://www.hunature.net/ai/read/1

객체 감지 (Object Detection) 기술은 이미지를 단순히 분류 (Classification)하는 것에 더해 객체의 위치를 알아내고 객체가 포함된 부분을 경계 상자 (Bounding box)로 지역화 (Localization)를 합니다. 컴퓨터 비전에서는 이것을 객체 지역화 (Object Localization)라고 합니다.

즉, 객체 감지 (Object Detection) = 이미지 분류 (Image Classification) + 객체 지역화 (Object Localization)라고 할 수 있습니다.

​

3. 의미론적 분할 (Semantic Segmentation)

의미론적 분할 (Semantic Segmentation) 기술은 객체 영역에 단순히 경계 상자를 그리는게 아니라 이미지의 픽셀 하나하나에 의미를 붙여

객체의 일부분으로서 영역을 분할하는 기술입니다. 이미지를 보면 하늘색은 하늘, 녹색은 나무, 남색은 자동차, 핑크색은 인도, 자홍색은 차도로

픽셀들을 속한 객체에 따라 분류한 것을 알 수 있습니다.

​

4. 인스턴스 분할 (Instance Segmentation)

인스턴스 분할 (Instance Segmentation) 기술은 의미론적 분할 (Semantic Segmentation)처럼 영역을 픽셀 단위로 분할하긴 하나,

객체 (Object)로서 뿐만 아니라 하나의 개체 (Instance)로서 또 다시 분할합니다.

이게 무슨 말이냐면, 객체라는건 이미지 분류에서 설명했던 것처럼

'실체적인 개념'이지만 개체는 그자체로 '실체'입니다. 과일이면서 빨간색이고 둥글둥글하며 꼭지가 있는 두 물체가 있다고 해봅시다.

두 물체 모두 '사과'이지만, '사과'라는 객체로 분류가 되는 것일 뿐 엄연히 따지면 같은 개체는 아닙니다.

위 이미지를 보시면 한방에 이해가 되실겁니다. '머그컵 (cup)'이라는 같은 객체로 분류가 되었어도 다른 개체 (Instance)로 분할이 되었죠.

그러나 인스턴스 분할은 위와 같이 컴퓨터, 사과, 머그컵, 의자 등 셀 수 있는 개체 즉, '사물'에만 적용된다는 한계가 있습니다. [5]

​

5. 팬옵틱 분할 (Panoptic Segmentation)

팬옵틱 분할 (Panoptic Segmentation)은 인스턴스 분할과 의미론적 분할을 합친 기술입니다.

모든 것을 한번에 표시하거나 본다는 의미로 이름을 'Panoptic'이라 지었다고 합니다.

사람, 컴퓨터, 사과, 의자, 자동차 등 셀 수 있는 개체인 사물 (Things)에는 인스턴스 분할을,

하늘, 도로, 물 등 셀 수 없는 개체인 배경 요소 (Stuff)에는 의미론적 분할을 적용합니다.

이미지 속의 각각의 '사물'을 감지하기에는 적합하지만 전체적으로 보진 못하는 인스턴스 분할과

객체들의 영역을 전체적으로 볼 수 있지만 각각의 '사물'을 감지하기에는 부적합한 의미론적 분할을 상호보완한 기술로

현재로서는 가장 강력한 분할 기술입니다. [6]

​

이렇게 대표적인 컴퓨터 비전 기술 5가지를 알아보았습니다.

이것들 말고도 컴퓨터 비전이 영상과 동영상으로 할 수 있는 것들은 정말 무궁무진하게 많으며, 지금까지도 수많은 논문이 발표되고 있답니다.

---

2. 컴퓨터 비전의 응용

2.1 컴퓨터 비전의 응용 분야 및 사례

오늘날 컴퓨터 비전은 다양한 분야에서 매우 광범위하게 활용되고 있습니다.

컴퓨터 비전의 대표적인 응용 분야 5가지와 실제 활용 사례를 알아보도록 하겠습니다.

(AHMAD ANIS의 <45 Most Popular Computer Vision Applications by Industry> 문서를 참고, 이미지를 사용하였습니다. [7])

​

1. 자율주행차 (Self-Driving Car)

컴퓨터 비전하면 가장 먼저 떠오르는 분야죠.

특히, 테슬라 오토파일럿의 경우 일론 머스크가 자율주행을 다른 센서들 다 버리고 초간소화 시켜 컴퓨터 비전만으로 실현하겠다고 한적이 있을

정도로 컴퓨터 비전은 자율주행 분야에서 굉장히 중요한 역할을 맡고 있으며, 정말 활발히 연구되고 있는 추세입니다.

손과 눈 + 머리로만 (손보다도 눈이 더 바쁘죠) 조작하고 판단하여 운전하는 우리 인간을 보면

컴퓨터 비전이 자율주행에서 왜 그리 중요한 것인지 이해가 가죠.

아시다시피, 자율주행차 (self-driving car)는 인간 운전자 없이 스스로 판단해 운전하는 자동차를 말합니다.

판단을 하기 위해서는 받아드리는 영상 (Image) 정보로부터 표지판 표식, 차선, 보행자 등등 필요한 정보만 쏙 빼낼 수 있어야 하죠.

그러기 위해 컴퓨터 비전이 필요한 것입니다.

​

차선 추적 (Lane Tracking)의 예시

위 이미지는 차선 추적 (Lane Tracking)의 예시입니다.

처음으로 추적 (Tracking)이라는 용어를 사용하였는데요, 컴퓨터 비전에서 추적 (Tracking)이란 객체의 위치 변화를 캐치해내는 것을 말합니다.

지금까지 설명한 컴퓨터 비전 기술이 가만히 있는 정적인 영상 (Image)에 대한 기술이었다면,

추적은 움직이는 동적인 영상 즉, 동영상 (Video)에서 사용되는 기술입니다.

차선 추적은 차선의 곡률 변화 등을 이용해 차선을 어떻게 유지할 것인지 실시간으로 적절한 위치를 결정하는 기술이죠.

​

 

 

차량 감지 (Vehicle Detection), 교통 표지 감지 (Traffic Signs Detection), 보행자 감지 (Pedestrian Detection)의 예시

순서대로 차량 감지 (Vehicle Detection), 교통 표지 감지 (Traffic Signs Detection), 보행자 감지 (Pedestrian Detection) 기술입니다.

객체 감지 (Object Detection) 기술을 활용하여 영상 (Image)에서 위와 같이 운전에 필요한 다양한 중요 정보들을 빼냅니다.

​

2. 의료 (Medical)

컴퓨터 비전은 의료 분야에도 응용될 수 있습니다.

컴퓨터 비전으로 MRI, X-Ray, CT 촬영 등 의료 영상 (Image)를 분석하여 진단을 내릴 수 있죠.

​

컴퓨터 비전을 이용한 유방암 진단

파키스탄에서는 여성 9명 중 1명이 유방암에 걸릴 위험이 있으며, 이들의 39명 중 1명이 사망한다고 합니다.

유방암은 제때 진단하는 것이 매우 중요하기 때문에 컴퓨터 비전으로 유방암을 조기 진단하여 치료에 큰 도움을 줄 수 있습니다.

​

대화형 의료 진단 (Interactive Medical Imaging)

대화형 의료 진단 기술 (Interactive Medical Imaging)로,

컴퓨터 비전을 통해 상호작용적이고 상세한 3D 시각화로 보다 정확한 의료 진단을 할 수 있습니다.

​

의료 보고서 자동 생성 (Automatic Generation of Medical Reports)

의료 영상 데이터에 기반한 컴퓨터 비전의 자동 분석으로 위와 같이 의료 보고서를 자동 생성하여 정확한 진단을 내릴 수 있습니다.

​

3. 보안 (Security)

컴퓨터 비전은 보안에서도 두각을 드러내고 있습니다.

​

얼굴 인증 (Facial Authentication)

얼굴 비교를 통해 유사성을 입증하는 얼굴 인식 (Facial Recognition), 얼굴의 특징으로 신원을 확인하는 얼굴 인증 (Facial Authentication)은

보안 분야 컴퓨터 비전의 대표적인 사례입니다.

​

가짜 뉴스 탐지 (Fake News Detection)

인공지능을 기반으로 인물을 이미지에 합성하는 딥페이크 (DeepFake) 기술은 이를 이용해 밈까지 나올 정도로 최근 굉장히 유명해진 기술입니다.

엔터테인먼트 등 딥페이크가 우리 사회에 긍정적인 영향을 끼친 사례들도 많지만 언제나 양면성이 있는법, 부정적인 부분도 꽤 많습니다.

대표적으로 가짜 뉴스가 있는데요, 유명인의 얼굴을 감쪽 같이 딥페이크로 합성해 유언비어를 퍼뜨리거나 정치인의 얼굴을 이용해 선동을 하는 등 심각한 사회 불안을 초래할 수 있습니다. 이를 컴퓨터 비전으로 잡아내는 것이 가짜 뉴스 탐지 (Fake News Detection) 기술입니다.

​

비정상적인 활동을 추적하는 CCTV (CCTV Cameras tracking unusual activities)

CCTV에 컴퓨터 비전을 적용하면 폭력, 절도 등과 같은 범죄 행위도 감지해낼 수 있습니다.

특히 상대적으로 절도에 취약한 대형 매장에서 유용하게 쓰일 수 있겠죠.

​

4. 소매 (Retail)

소매 산업에서도 컴퓨터 비전을 활용해 인건비를 크게 절감하고 효율적인 운영을 할 수 있습니다.

​

매장 히트맵 (출처: https://pixelplex.io/blog/computer-vision-apps-in-retail/)

얼굴 인식, 물체 감지, 추적 등 컴퓨터 비전 기술로 소비 패턴을 알아내고

위와 같이 열분포 형태로 시각화한 히트맵 (Heat Map)으로 시각화할 수 있습니다.

​

 

계산대 없는 상점 (Cashierless Stores) (우측 이미지 출처: https://www.youtube.com/watch?v=tunk6RpuDTg)

최근 무인 상점이 큰 인기를 끌고 있죠.

아직까지는 대부분 고객 스스로 기계를 조작하여 결제하는 방식이기 때문에 절도에 매우 취약하다는 한계가 있습니다.

이에 대한 해결책이 바로 컴퓨터 비전을 활용한 '계산대 없는 상점'인데요,

정보를 미리 등록한 다음 컴퓨터 비전으로 고객과 상품을 추적하여 매장을 나오는 순간 소지 중인 상품이 자동 결제되도록 할 수 있습니다.

인건비를 크게 절감하고 매장 내 절도를 예방할 수 있죠.

​

5. 제조 (Manufacturing)

컴퓨터 비전은 제조 산업에서도 굉장히 유용하게 활용될 수 있습니다.

제조 공정에서 사용되는 컴퓨터 비전은 머신 비전 (Machine Vision)이라고도 합니다.

​

3D 비전 검사 (3D Vision Inspection)

컴퓨터 비전을 활용하여 다각도 스캔으로 3D 모델을 만든 뒤 분석해 결함 요소를 발견할 수 있습니다.

검수 작업을 자동화한다고 볼 수 있죠. 특히, 부품 결함이 중대한 요소로 작용하는 자동차 공정에서 유용하게 쓰일 수 있습니다.

​

포장 검사 (Packaging Inspection)

컴퓨터 비전을 통해 수량, 이물질 여부 등 포장이 제대로 되었는지 검사하는 프로세스를 자동화할 수 있습니다.

포장 수량 및 상태가 중요한 과일, 의약품 등의 포장에 유용하게 쓰일 수 있습니다.

​

이렇게 컴퓨터 비전의 대표적인 응용 분야 5가지를 알아보았습니다.

앞서 소개한 5가지 분야 말고도 스포츠, 농업, 고객 관리, 교육, 패션, 식품 산업 등 컴퓨터 비전이 활용될 수 있는 분야는 무궁무진합니다.

사실상 인간의 눈이 필요한 모든 곳에 컴퓨터 비전이 활용될 수 있으며, 아직 알려지지 않은 분야도 많답니다.

---

2.2 컴퓨터 비전의 미래 (제4차 산업 혁명)

마지막으로, 컴퓨터 비전의 미래에 대해 생각해보도록 하겠습니다.

​

컴퓨터 비전의 미래를 논하기에 앞서, 요즘 굉장히 핫한 이슈인 제4차 산업 혁명에 대해 알아볼 필요가 있는데요,

제4차 산업 혁명 (Fourth Industrial revolution)이란, 정보 통신 기술 (ICT)의 융합으로 다양한 산업 분야의

자동화, 지능화가 이루어지는 차세대 산업 혁명을 말합니다.

오늘날까지 증기기관 중심의 제1차 산업 혁명, 전기 및 내연기관 중심의 제2차 산업 혁명,

디지털 기술 중심의 제3차 산업 혁명 (또는 디지털 혁명), 총 3차례에 걸쳐 산업 혁명이 일어났고 그 중 제3차 산업 혁명은 현재진행형입니다.

그리고 최근 차세대 산업 혁명으로 거론되고 있는 것이 바로 제4차 산업혁명이죠. [8],

정의의 모호함과 불분명한 실체, 각종 매체에서의 무분별한 용어 사용에 회의적으로 보는 경우도 많으나,

미래 기술의 방향과 기반을 체계화하고 비전을 제시하는 점에서 결과적으로 미래를 위한 중요한 개념임은 맞다고 봅니다.

​

제4차 산업 혁명의 포인트는 바로 '융합'과 '지능화'인데요,

여기서 '융합'은 두 분야가 서로의 경계를 허물고 완전히 통합되어 마치 하나의 분야처럼 교류하는 것을 말하고,

'지능화'는 대규모로 데이터를 수집, 분석, 관리하는 빅데이터와 인공지능을 기반으로 다양한 상황에

유연하게 대처하도록 하는 것을 말합니다. 트렌드에 맞춰 수요를 예상, 공급을 조절하고 고객 데이터를 수집해

분석하여 맞춤형 서비스를 제공하거나 모니터링할 수 있으며, 더 나아가면 지구 온난화와 같은 현실의 문제에 최적의 해법을 제시할 수도 있겠죠.

제4차 산업 혁명에서는 산업이 대부분 컴퓨터를 기반으로 한 디지털 기술과 융합하게 되는데,

여기서 컴퓨터 비전이 징검다리 역할을 할 수 있습니다.

영상 (Image)으로부터 유용한 정보를 추출해내는 컴퓨터 비전 기술이 현실과 디지털 사이의 징검다리가 되는 것이죠.

​

물리학, 생물학, 천문학 등 관찰과 분석이 중요한 과학 연구에도 컴퓨터 비전이 활용될 수 있을 정도로, 컴퓨터 비전의 가능성은 무궁무진합니다.

앞으로는 컴퓨터 비전이 인간의 눈이 필요한 모든 분야에 활용되며 중요한 기반이 될 것으로 보입니다.

출처: https://www.daejeon.go.kr/drh/DrhContentsHtmlView.do?menuSeq=6700

---

참고 문헌

참고 문헌 출처 명시

[1] https://en.wikipedia.org/wiki/Computer_vision

 

Computer vision - Wikipedia

Computer vision From Wikipedia, the free encyclopedia For the defunct software company, see Computervision . Computer vision is an interdisciplinary scientific field that deals with how computers can gain high-level understanding from digital images or videos . From the perspective of engineering , ...

en.wikipedia.org

[2] https://scienceon.kisti.re.kr/commons/util/originalView.do?cn=JAKO199365349633342&oCn=JAKO199365349633342&dbt=JAKO&journal=NJOU00291002

 

원문보기 - ScienceON

ScienceON 추천자료 이 논문과 함께 이용한 콘텐츠 [논문] 시각정보처리과정을 이용한 인공시각시스템 [논문] 시각정보 처리 메커니즘을 이용한 형태정보인식 신경회로망의 구성 [보고서] 망막 신경세포 신호전달과정에서 일산화질소의 역할 [보고서] 변형효과를 이용한 고위시각기능 및 해부학적 관련 구조물 연구 [논문] Ocular Diseases in the Elderly 연관 논문 시각정보 처리 메커니즘을 이용한 형태정보인식 신경회로망의 구성 신경회로망을 이용한 아로마 분류 신경회로망 시뮬레이터 신경회로망 기반의 관객 반응 추출 시스...

scienceon.kisti.re.kr

[3] https://www.samsungsds.com/kr/insights/Visual_AI.html

Visual AI ① - 역사 돌파구 통념 및 가능성

Visual AI ① - 역사 돌파구 통념 및 가능성

www.samsungsds.com

[4] https://becominghuman.ai/top-10-computer-vision-techniques-with-deep-learning-124fcbd3c20

Top 10 Computer Vision Techniques with Deep Learning

Give yourself a head-start by seeing the big picture.

becominghuman.ai

[5] https://becominghuman.ai/3-types-of-image-segmentation-2b4c97ab5f84

3 Types of Image Segmentation

If you are getting started with Machine Learning or Computer Vision, chances are you have heard the term image segmentation. If you are…

becominghuman.ai

[6] https://analyticsindiamag.com/guide-to-panoptic-segmentation-a-semantic-instance-segmentation-approach/

Guide to Panoptic Segmentation - A Semantic + Instance Segmentation Approach

Panoptic segmentation is an image segmentation method which unifies two distinct concepts of semantic segmentation and instance segmentation.

analyticsindiamag.com

[7] https://cnvrg.io/computer-vision-applications/

45 Most Popular Computer Vision Applications by Industry | cnvrg.io

Source: Matlab: What is Computer Vision

cnvrg.io

[8] https://ko.wikipedia.org/wiki/%EC%A0%9C4%EC%B0%A8_%EC%82%B0%EC%97%85_%ED%98%81%EB%AA%85#%EC%A0%9C3%EC%B0%A8_%EC%82%B0%EC%97%85_%ED%98%81%EB%AA%85