[기계학습] 기말고사 정리 13장

13장. 인공지능의 현재와 미래

인공신경망은 빅데이터 환경, 병렬 컴퓨팅 인프라, 컴퓨터 비전 기술의 발전에 힘입어 비약적으로 발전하기 시작했다. 

 

합성곱 신경망(CNN)이 기존의 성능을 능가한 이유는

특징 추출기와 분류기가 따로 있었던 기존 모델과 다르게

특징 추출기와 분류기가 합쳐져 Convolution Layer의 필터 계수를 분류기의 오류역전파를 이용해 조정할 수 있었다.

활용

객체위치파악, 객체탐지, 비디오와 텍스트 처리

 

순환신경망(RNN)은

타임 시리즈 데이터를 주로 다루며,

현재 입력과 과거 출력을 합해 출력을 만든다.

활용

시퀀스-투-시퀀스 학습 분야(번역)

 

YOLO

YOLO는 실시간 객체 탐지를 위한 모델로,

특정 이미지에서 경계상자(Bounding Box)로 영역을 설정하고,

영역내에 물체가 존재하는지, 존재한다면 무엇인지를 판별한다.

 

한 이미지에 여러 클래스의 객체가 동시에 존재할 수 있으므로

다중-레이블-분류와 경계상자 회귀 두 문제를 함께 해결해야 한다.

 

semantic segmentation

instance segmentation

 

YOLO의 특징

1. 한번 보고 처리

2. 모델 사용

3. 실시간 객체 탐지

이미지를 448 * 448로 resize

물체의 정중앙이 기준점

입력 이미지를7 * 7 크기의 격자(grid)로 나누고, 나눈 셀 중 물체의 중앙과 가장 가까운 셀이 객체 탐지를 담당한다.

이미지 전체를 신경망에 넣고 특징 추출을 통해 예측 텐서를 생성한다.

YOLO의 데이터셋은 이미지 내의 각 객체에 대한 클래스 레이블, 경계 상자, 전처리된 이미지가 하나의 처리 단위

훈련 데이터의 경계 상자와 후보 경계 상자 사이의 유사도가 가장 높은 것이 최적의 상자이다.

유사도를 계산하기 위한 지표로는 IoU(Intersection over Union)가 있다.

 

어텐션

연관이 있는 값에 가중치를 더 부여해서 집중하는 방법이다.

Attention Mechanism이란, 인간의 비주얼어텐션 현상을 구현하기 위한 인공 신경망 기법으로,

전체를 보는 것이 아니라 일부 영역에 집중해서 본다.

 

트랜스포머

self attention

하나의 특정한 단어를 인코딩하기 위해서 입력 내의 다른 모든 단어들과의 관계를 살펴보는 방법

자연어처리에 많이 사용됨

 

전이학습

사전 학습된 모델을 활용

파라미터 재조정을 통해 추가 훈련을 시킨다.(파인튜닝)

 

GAN

학습 데이터를 통한 훈련으로, 데이터의 분포를 학습한다.

랜덤 노이즈 학습을 통해 익힌 분포와 일치하도록 만드는 생성 모델과

데이터 샘플링을 통해 같은 데이터 분포를 갖지만 존재하지 않는 새로운 데이터를 생성한다.

=> 생성적 모델링, Generative Modeling

 

생성자, 판별자를 함께 학습시키며 진짜와 구분할 수 없는 가짜를 만들어내는 생성자를 만든다.

=> 적대적 학습, Adversarial Training

 

강화학습(ex. 알파고)

잘하면 보상을, 못하면 패널티를 부여하는 학습법

에이전트가 현재의 상태를 인식하여 선택 가능한 행동들 중 보상을 최대화하는 행동 혹은 순서를 선택

정책 : 학습 과정에서 점점 발전하게 되는 의사결정 전략