패스트캠퍼스 환급챌린지 3일차 : 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 

 

GNN과 YOLO 학습 후기 오늘 그래프 뉴럴 네트워크와 YOLO 객체 검출 모델을 심도 있게 공부하면서 AI 분야의 발전 방향에 대해 많은 생각을 하게 되었다.

 

GNN의 철학적 접근이 가장 인상적이었다. 메시지 패싱이라는 개념 자체가 인간의 사회적 학습 과정과 너무나 유사하다는 점에서 감탄했다. 우리가 새로운 정보를 받아들일 때 주변 사람들의 의견을 종합하고, 자신의 기존 지식과 결합해서 새로운 인사이트를 만들어내는 과정 그 자체다. 특히 오버스무딩 문제는 현실에서도 "정보 과부하"로 나타나는 현상이라는 걸 깨달았다. 너무 많은 정보나 의견에 노출되면 오히려 판단력이 흐려지는 것처럼, GNN도 레이어가 깊어질수록 노드들의 고유한 특성이 희미해진다는 점이 흥미롭다.

 

GCN과 GAT의 차이점을 살펴보면서, 단순한 가중 평균과 어텐션 메커니즘의 차이가 얼마나 큰지 실감했다. GAT가 인접행렬 없이도 동작할 수 있다는 것은 정말 혁신적이다. 이는 그래프 구조가 불완전하거나 동적으로 변하는 실제 환경에서 매우 유용할 것 같다. 소셜 네트워크나 추천 시스템 같은 분야에서 GAT의 활용 가능성이 무궁무진하다고 생각한다.

 

YOLO의 진화 과정을 보면서 가장 감동적이었던 것은 "실시간 성능"이라는 일관된 비전이었다. v1에서 시작된 "한 번에 보기(You Only Look Once)"라는 철학이 11개 버전을 거치면서도 변하지 않았다는 점이 놀랍다. 각 버전마다 정확도와 속도 사이의 트레이드오프를 해결하려는 창의적인 접근법들이 인상적이다.

 

특히 YOLOv4의 모자이크 데이터 증강이나 YOLOv10의 NMS 제거같은 혁신들을 보면서, 때로는 가장 근본적인 가정을 의심하는 것이 돌파구가 된다는 걸 배웠다. NMS는 오랫동안 객체 검출의 필수 후처리 과정으로 여겨졌는데, 이를 네트워크 자체에 학습시키겠다는 발상이 정말 대담하다. 이런 접근법이 앞으로 더 많은 분야에서 적용될 수 있을 것 같다.

 

EfficientDet의 컴파운드 스케일링은 모델 설계에 대한 새로운 패러다임을 제시한다고 생각한다. 단순히 "더 크게, 더 깊게"만이 능사가 아니라, 균형 잡힌 확장이 중요하다는 통찰이 인상적이다. 이는 AI 모델뿐만 아니라 다른 시스템 설계에도 적용할 수 있는 철학적 원칙이라고 생각한다.

 

두 기술 모두 "관계성 학습"이라는 공통분모를 가지고 있다는 점도 흥미롭다. GNN은 노드 간의 명시적 관계를, YOLO는 이미지 내 피처들 간의 암시적 관계를 학습한다. 이런 관계성 모델링이 앞으로 멀티모달 AI 발전의 핵심이 될 것 같다.

 

개인적으로 이 학습을 통해 "단순함 속의 복잡성"을 발견했다. 겉보기엔 단순해 보이는 개념들이 실제로는 매우 정교한 수학적, 철학적 기반을 가지고 있다는 걸 깨달았다. 앞으로 새로운 기술을 접할 때도 표면적 이해를 넘어서 그 근본적 원리와 철학을 파악하려고 노력해야겠다는 생각이 든다.

 

 URL: https://fastcampus.info/4n8ztzq