컴퓨터 비전은 인공지능의 하위 분야로, 기계가 이미지와 비디오에서 의미 있는 정보를 추출하고, 객체 인식, 장면 이해, 움직임 추적, 그리고 생성적 응용에서 새로운 시각 콘텐츠를 제작하는 것을 가능하게 하는 데 중점을 둔다. 이는 머신러닝, 신호 처리, 기하학에 기반을 두며, 딥러닝 연구를 위한 가장 꾸준히 생산적인 시험대 중 하나였다.
역사
1960년대부터 2000년대까지의 초기 컴퓨터 비전은 연구자들이 설계한 수작업 특징, 에지 검출기, 기하학적 모델에 고전적인 머신러닝 분류기를 결합한 방식에 의존했다. 진전은 더뎠고 실제 이미지에 대한 성능은 제한적이었다. 이 분야의 결정적 전환점은 2009년에 공개된 이미지넷 데이터셋과 이를 기반으로 한 연례 ILSVRC 대회로, 연구자들에게 객체 인식을 위한 대규모 표준화된 벤치마크를 제공했다. 2012년, GPU에서 훈련된 합성곱 신경망인 알렉스넷이 ILSVRC에서 압도적인 차이로 우승했으며, 이는 종종 현대 딥러닝 시대의 시작으로 인용되며 ILSVRC 2012 항목에서 더 자세히 논의된다. 합성곱 신경망은 이후 10년 동안 이 분야를 지배했다.
핵심 작업
고전적인 컴퓨터 비전 작업에는 이미지에 레이블을 할당하는 이미지 분류, 이미지 내 여러 객체를 위치시키고 레이블을 지정하는 객체 탐지, 모든 픽셀을 범주나 객체 인스턴스별로 레이블링하는 의미론적 및 인스턴스 분할, 그리고 자세 추정이 포함된다. 비디오 작업은 프레임 간 객체 추적과 시간에 따른 동작 인식을 추가한다. 각 작업은 역사적으로 전문화된 아키텍처를 요구했지만, 이후 트랜스포머 기반 비전 모델은 여러 작업을 공유 백본 아래에서 점점 더 통합했다.
CNN에서 트랜스포머로
합성곱 신경망은 2010년대 중반까지 지배적인 아키텍처로 남아 있었으며, 점점 더 깊고 효율적인 설계로 발전했다. 2020년경부터 연구자들은 원래 자연어 처리를 위해 개발된 트랜스포머 아키텍처를 이미지를 패치 시퀀스로 취급하여 이미지에 적용했으며, 이를 비전 트랜스포머라고 한다. 트랜스포머 기반 비전 모델은 대규모에서 CNN과 경쟁하거나 우수한 성능을 보였고 텍스트와 결합하기 쉬워져, 이미지와 캡션의 공유 표현을 학습하는 CLIP과 같은 비전-언어 모델의 부상에 기여했다.
생성 및 다중 모달 비전
2020년대 초부터 컴퓨터 비전은 생성 모델링과 점점 더 겹쳐지고 있다: 생성적 적대 신경망과 이후의 확산 모델은 이미지를 해석할 뿐만 아니라 생성하는 것을 가능하게 하여 텍스트-이미지 및 텍스트-비디오 시스템을 구동했다. 범용 시스템에 내장된 비전-언어 모델은 컴퓨터 비전을 좁은 인식 작업에서 개방형 시각 질문 응답과 다중 모달 AI의 일부로서 이미지 추론으로 확장했다.
응용 및 우려 사항
컴퓨터 비전은 얼굴 인식, 의료 이미지 분석, 자율 주행 차량 인식, 산업 품질 검사, 콘텐츠 조정 등 다양한 용도에 기반이 된다. 그 배포는 알고리즘 편향에 대한 조사를 불러일으켰으며, 특히 인구 통계 집단 간 얼굴 인식의 정확도 차이가 문서화되었고, 시민 자유에 대한 우려를 제기하는 감시 용도에 대한 논의도 있어 기술의 허용 가능한 사용에 대한 더 넓은 논쟁에 기여하고 있다.