패스트캠퍼스 환급챌린지 1일차 : Computer Vision Signature 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

 

1. 학습 인증샷 4장 이상

1. 오늘 날짜 + 공부 시작 시각보이는 사진 1장

2. 오늘 날짜 + 공부 종료 시각이 보이는 사진 1장 

3. 1개 클립수강 인증사진 1장(강의 화면 x/목록캡처 추천)

4. 학습 인증샷 1장 이상(필기, 작업물)

 

 

공부 시작 시간 - 2025-11-12 AM 11:39

공부 시작 진도 : Ch01-01 CNN의 개념과 역사(1)

공부 종료 시간 : 2025-11-12 오후 12:49

 

공부종료 진도 : Ch01-01, Ch01-02 CNN의 개념과 역사 완료

학습 인증샷 - 필기

학습 인증샷 - 필기

 

2. 학습 후기 700자 이상

- 오늘 배운 학습 내용을 정리하고, 흥미로웠던 부분과 이를 내 업무에 어떻게 적용할 수 있을지 기록

 

오늘 배운 것은 제 1파트 2D Computer Vision 의 첫번째 강의와 두번째 강의인 [CNN의 개념과 역사]가 주제였다. 기대했던 것보다 CNN에 대한 기본적인 지식을 보유하여야 이해할 수 있는 수준의 강의였다. 전반적으로 강사님은 CNN의 발전에 따른 모델별 특징을 위주로 설명해주었다. 도표 등 자료를 제시하여 주었고, 각 모델이 어떤 방식으로 발전되었는지 요약해 주었다. LeNet, AlexNet, VGG, GoogleNet, ResNet, DensNet, EfficientNet, MobileNet 순으로 진행되었다. 이건 다시 복습하면서 하나씩 보면서 정리해둬야 할 것 같다. 이미 수많은 우수한 천재들이 정리해 놓은 것들이라 이론이 어려울 것 같다. 그래도 전체적인 구조와 특징은 어느정도 이해해야할 것 같다. 내가 알고 있던 VGG가 순식간에 넘어가는 ㅎㅎ 이걸 어떻게 정리해야하나...CNN은 input과 Out사이에 Kernel과 bias를 이용한 Convolution 및 활성함수를 통한 구조로 형성되어있다. LeNet은 32x32의 작은 이미지를 통하여 feature map이 특징이고 아무래도 초기버전이라 부족하다. AlexNet부터 하드웨어의 상승으로 병렬처리가 발전하게 됐고, ReLU함수의 사용 및 Dropout/overlapping Pooling개념이 나오게 된다. VGG는 Two Suceessive의 병렬적 연산이 특징이었고, GoogleNet은 좀더 넓은 구조를 도모하여 인식률을 높였던 것 같다. ResNet부터 레이어를 깊게 가져가돼 필요없는 것은 Skip Connection을 통하여 빠른 연산을 도모했고, EfiicientNet은 좀더 유연한 스케일링을 위해 Componud model Scaling이라는 개념을 도입하였다. 이밖에도 가벼운 모델을 만들고자한 MobileNets이 있다.

이 모든 이론은 내 몫인 것 같다...ㅎㅎ

 

 

 

 

 

 

 

패스트캠퍼스 URL

https://fastcampus.info/4oKQD6b