패스트캠퍼스 환급챌린지 5일차 : 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 

RTM-Pose와 Human Pose Estimation 강의 후기

이번 강의는 인공지능과 컴퓨터 비전 분야에서 매우 실용적이고 흥미로운 주제를 다뤘다. 특히 RTM-Pose라는 최신 기술을 통해 실시간 인체 자세 추정의 혁신적 발전을 확인할 수 있어 매우 유익했다.
강의의 가장 인상적인 부분은 기존 방법론의 한계를 명확히 짚고, 이를 해결하기 위한 체계적 접근 방식이었다. 모델 파라미터 증가와 레이턴시 문제라는 실무적 한계를 5가지 핵심 요소로 분석한 것이 특히 인상 깊었다. Top-down 패러다임 채택, CSPNext 백본 활용, SimCC 기반 헤드 구조 등 각 기술적 선택의 근거가 명확했다.
SimCC의 좌표-분류 문제 전환 아이디어는 창의적이었다. 연속적인 좌표값을 격자 형태의 클래스 레이블로 변환하여 양자화 오차를 줄인다는 발상이 흥미로웠고, 실제로 이것이 성능 향상으로 이어진다는 점에서 이론과 실무의 조화를 느낄 수 있었다.
실시간 최적화를 위한 Skip Frame Detection 기법도 실용적이었다. 매 프레임마다 객체 검출을 수행하는 대신, 특정 간격으로만 검출하고 중간 프레임에서는 이전 결과를 활용한다는 아이디어는 단순하지만 효과적인 최적화 전략이었다.
다양한 훈련 기법들(EMA, 2단계 데이터 증강, GAU 모듈 등)의 누적 효과를 체계적으로 검증한 실험 설계도 학습에 도움이 되었다. 각 기법이 성능에 미치는 영향을 정량적으로 분석한 결과는 실무에서 기술 선택 시 좋은 참고가 될 것 같다.
동물 포즈 추정이나 비디오 추적 등 확장 응용 분야 소개도 흥미로웠다. 특히 제한된 라벨링 데이터 문제를 Transfer Learning으로 해결하는 접근법은 실무에서 자주 마주치는 상황이라 공감이 되었다.
아쉬운 점이 있다면, 실제 구현이나 코드 예시가 부족했다는 것이다. 이론적 설명은 충분했지만, 실제 개발 과정에서 마주칠 수 있는 세부적인 이슈들이나 하이퍼파라미터 튜닝 경험 등이 더 포함되었으면 좋았을 것 같다.
전반적으로 최신 기술 동향을 체계적으로 정리하고, 각 기술의 장단점을 균형 있게 설명한 양질의 강의였다. 특히 실무 관점에서의 성능-효율성 트레이드오프를 고려한 접근법이 매우 현실적이고 유용했다.

 

URL: https://fastcampus.info/4n8ztzq