패스트캠퍼스 환급챌린지 7일차 : 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 

비주얼 객체 추적 및 SAMURAI 모델 학습 후기

전반적 인상
- 컴퓨터 비전 분야에서 객체 추적이 얼마나 복잡하고 도전적인 문제인지 깊이 깨달음
- SAM에서 SAM2로, 그리고 SAMURAI로 이어지는 기술 발전 과정이 매우 흥미로웠음
- 단순히 "객체를 따라가는 것"이 아니라 메모리 관리, 모션 모델링, 불확실성 처리 등 다층적 접근이 필요함을 인식

 

이론적 측면의 수확
- 베이지안 필터와 칼만 필터 이론을 처음 접했는데, 확률론적 접근의 중요성을 실감
- 사전 확률, 우도, 사후 확률의 개념이 객체 추적에서 어떻게 실제 활용되는지 명확해짐
- 예측과 업데이트의 반복적 과정이 로봇공학뿐만 아니라 컴퓨터 비전에서도 핵심임을 학습

- 선형 가우시안 모델의 한계와 장점을 동시에 이해하게 됨

 

실무적 관점에서의 통찰

- 메모리 뱅크 관리가 추적 성능에 미치는 영향이 예상보다 컸음
- 무작정 모든 프레임을 저장하는 것이 아니라 선택적으로 신뢰도 높은 정보만 보존하는 전략의 중요성
- 오클루전과 유사 객체 혼동 문제가 실제 산업 현장에서 얼마나 치명적일지 상상이 됨
- 모션 정보를 제대로 활용하지 않으면 시각적 유사성만으로는 한계가 명확함

 

기술적 발전에 대한 감상
- SAM2의 스트리밍 메모리 구조는 혁신적이지만 여전히 모션 정보 부족 문제가 있었음
- SAMURAI가 이를 해결하기 위해 도입한 다중 스코어링 방식이 매우 현실적인 접근
- 마스크 어피니티, 객체 스코어, 모션 스코어를 조합한 아이디어가 직관적이면서도 효과적

 

어려웠던 부분과 극복
- 칼만 필터의 수학적 공식들이 처음에는 이해하기 어려웠음
- 상태 변수, 공분산 매트릭스, 칼만 게인의 물리적 의미를 파악하는데 시간이 걸림
- 로봇 위치 추적 예시를 통해 개념을 구체화하니 이해도가 크게 향상됨

- 확률론적 사고방식에 익숙해지는 과정이 필요했음

 

실제 적용 가능성에 대한 생각
- 자율주행차의 객체 추적, 보안 시스템의 인물 추적 등 다양한 분야에 직접 응용 가능
- 특히 제조업에서 불량품 추적이나 물류 시스템에서 화물 모니터링에 유용할 것
- 실시간 처리 성능과 정확도 간의 트레이드오프가 실무에서는 중요한 고려사항
- 엣지 디바이스에서의 경량화된 구현이 다음 도전과제가 될 것

 

향후 학습 방향
- 딥러닝과 전통적 필터링 기법의 융합에 더 깊이 있게 접근하고 싶음
- 다양한 추적 알고리즘들의 성능 비교와 적용 시나리오별 최적화 연구 필요
- 실제 데이터셋으로 직접 구현해보며 이론과 실무의 갭을 좁혀보고 싶음

 

URL: https://fastcampus.info/4n8ztzq