패스트캠퍼스 환급챌린지 20일차 : 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 

20일차, 강의 후기

 

Chapter 3. 영상 처리, 다중시점 기하학

드디어 SLAM의 핵심인 특징점 검출을 배웠다. 그동안 "카메라가 어떻게 같은 물체를 알아보지?"라고 막연하게 궁금했는데, Local Feature라는 개념으로 설명해주니까 이해가 됐다. 사람이 얼굴을 인식할 때 눈, 코, 입의 특징을 기억하는 것처럼, 컴퓨터도 이미지에서 특별한 점들을 찾아서 기억한다는 비유가 와닿았음.

---

Ch03-01. Local Feature 검출

Local Feature의 개념을 확실하게 잡아주셨다. Repeatability, Distinctiveness, Efficiency 이 세 가지 조건이 핵심이라는 게 인상적이었음. 특히 "같은 모서리를 다른 각도에서 봐도 똑같이 검출되어야 한다"는 설명이 직관적이었다.

조명이 바뀌거나 카메라 각도가 달라져도 견고하게 작동해야 한다는 조건들을 보니까, 실제 로봇이 돌아다니는 환경에서 얼마나 까다로운 문제인지 느껴졌다. 우리가 당연하게 보는 것들이 컴퓨터에게는 정말 어려운 일이구나 싶었음.

---

Ch03-02. Local Feature Extraction 실습

Harris Corner Detector부터 SIFT, SURF, ORB까지 다양한 알고리즘들을 직접 돌려봤다. 각각의 특성이 확실히 다르다는 걸 눈으로 확인할 수 있었음.

특히 ORB가 속도는 빠른데 정확도는 SIFT보다 떨어진다는 게 실제로 보이니까 트레이드오프 관계를 체감했다. 실시간 SLAM에서는 속도가 중요하니까 ORB를 많이 쓴다는 설명도 납득됐다.

---

Ch03-03. Global Feature 검출

Local Feature와는 완전히 다른 접근법이었다. 이미지 전체를 하나의 벡터로 표현한다는 발상이 신선했음. 13분 동안 설명해주신 내용 중에서 "숲을 보느냐, 나무를 보느냐"의 차이라는 비유가 가장 기억에 남는다.

Loop closure detection에 활용된다는 부분에서 "아, 로봇이 처음 왔던 곳인지 판단할 때 쓰이는구나" 싶었다. Global Feature는 장소 인식에, Local Feature는 정밀한 매칭에 각각 특화되어 있다는 걸 알게 됐음.

---

Ch03-04. Global Feature 검출 실습

실제로 CNN 기반 feature를 뽑아보는 실습이 흥미로웠다. 딥러닝이 전통적인 방법들을 어떻게 대체하고 있는지 볼 수 있었음.

메모리 사용량과 검색 속도 사이의 균형이 중요하다는 점도 인상적이었다. 이론적으로는 완벽해도 실제 로봇에서는 제한된 자원으로 동작해야 하니까 engineering 관점이 정말 중요하구나 싶었다.

---

Ch03-05. Feature Tracking 기초

연속된 프레임에서 같은 점을 추적한다는 개념이 정말 중요하다는 걸 느꼈다. KLT tracker의 원리를 설명해주셨는데 Lucas-Kanade 알고리즘이 이렇게 쓰이는구나 싶었음.

특히 추적 실패 요인들(급격한 조명 변화, 빠른 움직임, occlusion 등)을 들으니까 실제 환경에서 SLAM이 얼마나 까다로운 문제인지 다시 한번 실감했다. 그럼에도 이런 기술들이 실용화되어 있다는 게 대단하다는 생각이 들었음.

---

개인적으로 든 생각들

이번 강의를 들으면서 컴퓨터 비전이 단순히 이미지를 처리하는 게 아니라 "이해"하는 과정이라는 걸 깨달았다. 사람은 직관적으로 하는 일들을 수학과 알고리즘으로 풀어내는 과정이 정말 인상적이었음.

특히 Local과 Global Feature의 상호 보완적 관계가 흥미로웠다. 하나만으로는 부족하고 둘을 적절히 조합해야 견고한 시스템을 만들 수 있다는 점에서 시스템 설계의 중요성을 느꼈다.

실습을 하면서 OpenCV의 고마움도 새삼 느꼈다. 이런 복잡한 알고리즘들을 함수 하나로 호출할 수 있다니... 하지만 내부 원리를 모르고 쓰면 안 되겠다는 생각도 들었음. 파라미터 튜닝이나 문제 해결을 위해서는 결국 이론적 배경을 알아야 하겠더라.

 URL: https://fastcampus.info/4n8ztzq