7. 딥러닝(3)

※ 딥러닝 활용 분야

 

■ 사물 검출

- 이미지 속에 담긴 사물의 위치와 종류(클래스)를 알아내는 기술

- R-CNN을 주로 사용

 

사물이 위치한 영역을 찾아내고, 추출한 영역에 CNN을 적용하여 클래스를 분류한다.

 

 

■ 분할(segmentation)

- 이미지를 픽셀 수준에서 분류하는 문제

- 픽셀 단위로 객체마다 채색된 supervised Data를 사용해 학습

- 추론 시 입력 이미지의 모든 픽셀을 분류

- FCN(Fully Convolutional Network) 사용 -> CNN의 완전연결 계층을 같은 기능을 하는 합성곱 계층으로 바꾸어 마지막에 공간 크기를 확대하여 공간 볼륨을 유지한 채 출력을 처리하는 기법

 

 

■ 사진캡션생성

- NIC(Neural Image Caption) 모델을 사용 -> NIC = RNN + CNN

- 멀티 모달 처리

 

◆ RNN이란?

- 순환 신경망으로 과거의 정보를 기억하여 순환적으로 미래 정보를 예측하는 신경망으로 자연어와 시계열 데이터 등의 연속성이 있는 데이터를 다룰 때 사용한다.

 

 

■ 이미지 생성

- DCGAN 기법 사용

- 학습된 이미지들을 통해 아무도 본 적 없는 이미지를 새로 생성한다.(비지도 학습)

 

◆ GAN이란?

- Generative Adversial Network

- 생성자와 식별자라는 두 개의 신경망을 사용

- 생성자 : 진짜와 똑같은 이미지를 생성

- 식별자 : 생성자가 생성한 이미지가 진짜인지 가짜인지를 판정

- 생성자와 식별자를 겨루도록 학습시켜서 생성자를 성장시키고 최종적으로 진짜와 착각할 정도의 이미지를 그려냄.

 

 

■ 자율주행

- SegNet이라는 CNN 기반 신경망을 사용하여 주변 환경을 정확하게 인식해냄

- 픽셀수준에서 입력 이미지를 분할하여 입력된 이미지들을 어느 정도 정확히 판별해내야 함.

 

 

■ 강화학습

 

에이전트가 환경에 맞게 행동을 선택하고, 그 행동에 의해서 환경이 변하도록 함. 환경이 변화하면 에이전트는 어떠한 보상을 얻게 된다. 이 때, 더 나은 보상을 받는 쪽으로 에이전트의 행동 지침을 바로잡아 최적의 선택을 하도록 만드는 학습 방식

 

- Deep Q-Network(DQN) : Q학습이라는 강화학습 알고리즘을 기초로 함. Q학습에서 최적 행동 가치 함수로 최적인 행동을 정한다. 이 함수를 CNN으로 비슷하게 흉내 내어 사용하는 것.

 

DQN 연구 중 비디오 게임을 자율적으로 학습시켜 사람보다 뛰어난 플레이를 하게 하는 연구가 있다. 이는 게임 영상 프레임을 입력시키고, 최종적으로 게임을 제어하는 움직임에 대하여 각 동작의 '가치'를 출력시키는 연구이다.