패스트캠퍼스 환급챌린지 4일차 : 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 

오늘 강의를 통해 객체 검출과 세그멘테이션 분야의 다양한 혁신적 기술들을 학습했는데, 각각의 발전 과정이 정말 흥미로웠습니다.

먼저 EfficientDet의 접근법이 인상적이었습니다. BiFPN을 통한 양방향 피처 융합과 컴파운드 스케일링 기법으로 성능은 유지하면서도 효율성을 크게 개선한 점이 실용적이었습니다. 특히 Fast Normalized Fusion으로 소프트맥스 대비 30% 속도 향상을 달성한 것은 엔지니어링적으로 똑똑한 해결책이라고 생각합니다. 기존 방법들의 연산량 문제를 정면으로 해결한 점이 좋았습니다.

DETR의 트랜스포머 도입은 완전히 새로운 방향이었습니다. 기존의 앵커 기반 방식에서 벗어나 Set Prediction으로 직접 예측하고, 헝가리안 알고리즘으로 최적 매칭을 찾는 방식이 깔끔했습니다. Object Query 개념과 양방향 매칭 손실도 신선했고, NMS 없이도 중복 예측 문제를 해결한 것이 놀라웠습니다. 복잡한 후처리 과정을 모델 자체에서 해결한 것이 인상적이었습니다.

클래스 어그노스틱 디텍션의 adversarial learning 접근법도 재미있었습니다. 디스크리미네이터를 활용해 클래스 정보를 제거하면서도 객체성은 유지하는 방식이 창의적이었고, 실제 환경에서 모르는 객체도 검출할 수 있다는 점이 실용적이었습니다.

Rotated Object Detection의 다양한 파라미터화 방식들도 배울 점이 많았습니다. Gliding Vertex의 8개 파라미터 접근법과 R-Box CNN의 회전된 ROI 풀링 기법은 위성 영상 같은 특수한 도메인에서 확실히 필요한 기술이라고 느꼈습니다. 기존 수평 박스의 한계를 극복한 점이 좋았습니다.

Mask R-CNN의 인스턴스 세그멘테이션도 여전히 잘 설계된 모델이라고 생각합니다. ROI-Align으로 정확도를 높이고 클래스 분류와 마스크 예측을 분리한 구조가 직관적이고 효과적이었습니다. 각 역할을 명확히 분리한 설계가 성능 향상에 기여한 것 같습니다.

마지막으로 SAM의 파운데이션 모델 접근법은 정말 대단했습니다. 프롬프트 기반 제로샷 일반화와 SA-1B 데이터셋 구축을 위한 데이터 엔진 방식, 그리고 모호성 해결을 위한 다중 마스크 출력 등 모든 면에서 차세대 기술의 모습을 보여주었습니다. 11억 개 마스크를 만든 과정도 정말 대규모였고, 이런 데이터로 학습한 모델이 범용성을 가질 수 있다는 것이 흥미로웠습니다.

전체적으로 보면 효율성 추구, 구조적 혁신, 그리고 범용성 확보라는 흐름이 느껴졌고, 각 기술이 기존 한계를 하나씩 극복해가는 과정이 재미있었습니다.

 

 URL: https://fastcampus.info/4n8ztzq