6.0 KiB
6.0 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | tags | raw_sources | last_reinforced | github_commit | inferred_by | ||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-computer-vision | Computer Vision | 10_Wiki/Topics | needs_review | self | none | A | 0.92 |
|
2026-05-08 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
Computer Vision
📌 한 줄 통찰 (The Karpathy Summary)
"디지털 눈의 진화: 픽셀의 단순한 나열인 이미지와 비디오 데이터를 컴퓨터가 인간처럼 이해하고, 객체를 식별하며, 공간의 깊이를 읽고, 의미 있는 정보를 추출하게 만드는 인공지능의 시각 중추."
"픽셀의 나열에서 사물과 맥락을 읽어내는 AI의 눈을 완성하라" — 이미지나 비디오로부터 유의미한 정보를 추출, 분석 및 이해하기 위한 기술 체계로, 자율주행부터 의료 영상 판독까지 시각 지능의 정수.
디지털 이미지와 비디오에서 고차원적인 의미를 추출하여 기계가 세상을 '보고' '이해하게' 만드는 AI의 감각 기관.
📖 구조화된 지식 (Synthesized Content)
컴퓨터 비전(Computer Vision)은 가시광선 등 물리적 신호를 디지털 데이터로 변환하고 분석하여 '본다'는 행위를 기계로 구현하는 기술입니다.
- 핵심 태스크:
- Classification: 무엇이 들어있는가? (예: 개/고양이 구분)
- Detection: 무엇이 '어디에' 있는가? (Bounding Box 표시)
- Segmentation: 픽셀 단위로 객체의 경계선 따기.
- Depth Estimation: 공간의 입체적 거리감 파악.
- 기반 기술:
- CNN(Convolutional Neural Networks)에서 최근에는 Vision [Transformers|Transformers]로 아키텍처가 진화 중.
- 추출된 패턴: 고차원의 시각 데이터를 특징 추출 레이어를 통해 저차원의 추상적 개념으로 변환하고, 이를 다시 객체 인식이나 분할 등의 태스크로 구체화하는 인지 패턴.
- 핵심 기술 계보:
- Traditional CV: 소벨 필터, Canny edge detection, SIFT 등 수학적 필터 기반 특징 추출.
- CNN (Convolutional Neural Networks): 이미지의 지역적 특징을 계층적으로 학습 (AlexNet, ResNet).
- Object Detection: 이미지 내 물체의 위치와 종류 파악 (YOLO, Faster R-CNN).
- Segmentation: 픽셀 단위로 영역 구분 (U-Net, Mask R-CNN).
- Vision Transformer (ViT): 텍스트 처리의 트랜스포머 구조를 이미지에 적용하여 전역적 맥락 파악.
- 의의: 인간의 시각 기능을 기계로 완벽히 구현하여 물리 세계와 디지털 세계의 경계를 허묾.
- 추출된 패턴: 이미지 픽셀에서 특징(Feature)을 추출하고 이를 계층적으로 구조화하여 객체를 인식하는 비전 처리 패턴.
- 세부 내용:
- CNN(합성곱 신경망)에서 ViT(비전 트랜스포머)로의 아키텍처 진화.
- 이미지 분류, 객체 탐지, 세그멘테이션 등 핵심 태스크 Taxonomy 정의.
- 실시간 객체 추적 및 공간 이해를 위한 딥러닝 기법 통합.
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 과거 데이터와의 충돌: 과거에는 필터 제작 등 수동 특징 추출(Hand-crafted features) 정책 위주였으나, 현대 정책은 데이터로부터 스스로 특징을 배우는 '딥러닝 기반 종단간 학습 정책(End-to-end)'으로 완전히 전환됨(RL Update).
- 정책 변화(RL Update): 2D 이미지 분석 정책을 넘어, 최근에는 '3D 공간 지능 정책'과 '멀티모달(시각+언어) 통합 정책'이 자율주행과 에이전틱 서비스의 핵심 정책 토대가 됨.
- 과거 데이터와의 충돌: 단순히 형태를 인식하는 수준에서, 현재는 CLIP이나 멀티모달 LLM을 통해 이미지 속 상황을 '설명'하고 '추론'하는 단계로 진입.
- 정책 변화: Antigravity 프로젝트는 위키 문서 내의 비정형 도표나 스크린샷 데이터를 텍스트로 변환하여 지식 베이스에 통합할 때 최신 비전-언어 모델을 활용함.
- 과거 데이터와의 충돌: 기하학적 매칭 중심의 전통적 CV에서 데이터 기반의 신경망 학습 모델로 패러다임 완전 전환.
- 정책 변화: 기술적 정확도(w1)와 윤리적 프라이버시 보호의 가중치 균형 조절.
🔗 지식 연결 (Graph)
- Pattern Recognition, Autonomous Vehicles, CV_Synthesis, Artificial Intelligence (AI), Robotics
- Modern Tech/Tools: OpenCV, PyTorch/TensorFlow, YOLO, Segment Anything Model (SAM), NeRF.
- Convolutional-Neural-Networks, CLIP, Image-Processing, Transformer-Architecture
- Raw Source: 10_Wiki/Topics/AI/Computer-Vision.md
- Parent: 10_Wiki/💡 Topics/AI
- Related: CV_Synthesis, Object-Detection, CNN
- Raw Source: 00_Raw/2026-04-20/Computer Vision.md
🤖 LLM 활용 힌트 (How to Use This Knowledge)
언제 이 지식을 쓰는가:
- (TODO)
언제 쓰면 안 되는가:
- (TODO)
🧪 검증 상태 (Validation)
- 정보 상태: needs_review
- 출처 신뢰도: A
- 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)
🧬 중복 검사 (Duplicate Check)
- 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
- 처리 방식: UPDATE (자동 정규화)
- 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|---|---|---|---|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |