패스트캠퍼스 환급챌린지 11일차 : Computer Vision Signature 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

공부 시작 시각 / 공부 종료 시각

 

 수강 인증 사진 

학습 인증샷 (필기)

챌린지 대상 강의 완강률 

📝11일차: Depth 정보 추정 강의 후기

전체적인 소감
- 회사에서 컴퓨터 비전 업무를 하고 있지만 depth 추정은 이론적으로만 알고 있었음
- 실무에 바로 활용할 수 있는 구체적인 지식을 체계적으로 습득할 수 있었음
- 이론과 실습의 균형이 잘 맞춰진 알찬 강의였음


개념 및 활용 분야
- 자율주행, AR/VR, 로보틱스 등 다양한 산업 분야 사례 제시가 인상적
- 우리 회사의 3D 관련 프로젝트 증가와 연관지어 이해할 수 있었음
- 업무 맥락 파악에 도움이 될 것으로 예상

스테레오 비전 원리
- depth = (baseline × focal_length) / disparity 공식 설명이 매우 직관적
- 시차(disparity) 개념이 실제 거리 계산에 활용되는 과정을 명확하게 이해
-  카메라 캘리브레이션과 스테레오 매칭 알고리즘의 중요성 체감

딥러닝 기반 단안 깊이 추정
-  MiDaS, DPT, AdaBins 등 최신 모델들의 특징과 성능 비교 유익
-  단일 이미지만으로 정확한 depth 정보 획득 가능성에 놀라움
-  Self-supervised learning 방식(Monodepth2, PackNet-SfM)의 실용성 인상적
-  라벨링 비용 절감 효과로 실무 활용도 높을 것으로 판단

센서 종류별 특성
-  LiDAR: 높은 정확도 vs 비용과 전력 소모 문제
-  ToF 카메라: 실시간성 우수 vs 측정 거리 한계
-  Structured Light: 텍스처 무관 동작 vs 야외 환경 성능 저하
-  프로젝트 요구사항과 예산 고려 시 센서 선택 기준 명확히 제시

실습 과정
-  OpenCV 스테레오 비전 구현을 통한 이론-실제 간극 체감
-  이미지 전처리, 특징점 매칭, 시차 맵 생성 각 단계별 문제점과 해결책 학습
-  MiDaS 모델 활용 단안 깊이 추정 데모의 구현 용이성 확인
-  사전 훈련된 모델 활용의 실용성 높게 평가

성능 평가 지표
-  AbsRel, RMSE, δ < 1.25 등 평가 지표의 의미와 해석 방법 습득
-  알고리즘 성능 객관적 평가 및 개선 방향 설정에 활용 가능
-  정확도와 실시간성 간 트레이드오프 고려 방법 이해

최신 동향 및 멀티모달 퓨전
-  RGB + Depth + LiDAR 정보 결합을 통한 센서별 단점 보완 접근법
-  여러 센서 조합 사용이 많은 회사 업무에 직접 활용 가능
-  융합 기술 이해를 바탕으로 한 효과적인 솔루션 제안 가능성

 URL: https://fastcampus.info/4n8ztzq