[DB : Data] AI/ML 프로젝트에서 실제 활용되는 이미지 데이터의 종류와 데이터에 사용되는 기술 및 모델.
▽ [DB : Data] AI/ML 프로젝트에서 실제 활용되는 이미지 데이터의 종류와 데이터에 사용되는 기술 및 모델.
목 차
1. 자연 이미지 ( Natural Images)
2. 합성/렌더링 이미지(Synthetic Images)
3. 의료/과학 이미지(Medical/Scientific Images)
4. 문서/텍스트 이미지(Document Images)
5. 위성/항공/멀티스펙트럼 이미지(Remote Sensing Images)
6. 동영상/시계열 이미지(Video/Temporal Images)
1️⃣ 픽셀 기반 자연 이미지(Natural / RGB Images)
-
설명 : 일상 사진, 풍경, 인물 등 우리가 흔히 보는 RGB 이미지
-
특성
-
2D 배열: (Height × Width × Channels)
-
채널: RGB(3), Grayscale(1)
-
일반 사진, 스냅샷, CCTV, 웹 이미지 등
-
조명, 노이즈, 해상도 변화에 민감
-
-
AI/ML 처리 전략.
-
전처리 : Resize, Normalize, Standardization, Data Augmentation
-
모델 적용
-
CNN 계열: ResNet, EfficientNet, VGG
-
객체 탐지: YOLOv8, Faster R-CNN
-
이미지 세그멘테이션: U-Net, DeepLabv3+
-
-
데이터 증강(Augmentation)
- 기하학적 변환 : 회전, 뒤집기, 확대/축소
- 색상 변환 : 밝기, 채도, 대비 변화
- 노이즈 추가 : Gaussian, Salt & Pepper
-
-
활용 사례
-
자율주행 차량의 도로 객체 인식
-
CCTV 기반 범죄/이상 행동 탐지
-
전자상거래 상품 이미지 자동 분류
-
-
대표 데이터 셋
- ImageNet, COCO, CIFAR-10/100
2️⃣ 합성/렌더링 이미지(Synthetic / CAD / 3D Render)
-
설명 : 3D 모델링, CAD, 시뮬레이션으로 생성한 이미지.
-
특성
-
수학적/가상 객체 기반
-
렌더링된 장면으로 현실과 유사
-
다양한 카메라 각도, 조명 조건 자유롭게 생성 가능
-
-
AI/ML 처리 전략.
-
Domain Gap 문제: 합성 → 실제 이미지 간 격차 해결 필요
- Domain Adaptation, Domain Randomization 활용.
-
모델 적용
-
GAN 계열: StyleGAN, CycleGAN
-
3D Object Detection: PointNet, PointNet++
-
-
장점.
- 실제 데이터 수집 어려운 환경(도로, 산업용)에서 대규모 학습 가능
- 데이터 다양성 극대화 가능
-
-
활용 사례
-
자율주행 시뮬레이션 데이터 생성
-
로봇 시뮬레이션, 가상 훈련
-
VR/AR 환경 학습용
-
-
대표 데이터 셋
- SYNTHIA, CARLA, Virtual KITTI
3️⃣ 의료/과학 이미지(Medical/Scientific Images)
-
설명 : 진단, 연구용으로 특수 센서로 촬영한 이미지.
-
특성
-
모달리티 다양: X-ray, CT, MRI, 초음파, 현미경
-
2D 또는 3D 볼륨 데이터
-
단일 채널 혹은 다중 채널, 픽셀 값 단위가 정규화 필요
-
높은 정밀도 요구 → Annotation 비용 높음
-
-
AI/ML 처리 전략.
-
전처리 :
-
Intensity Normalization, Histogram Equalization
-
3D 볼륨 → 2D 슬라이스 분리
-
-
모델 적용
-
2D/3D CNN, DenseNet, ResUNet
-
Segmentation: U-Net, nnU-Net
-
Detection: Faster R-CNN, YOLOv8 적용 가능
-
-
기술적 고려.
- Class Imbalance 문제: Oversampling, Focal Loss
- Multi-modal 데이터 활용: CT + MRI 병합 학습
-
-
활용 사례
-
폐 결절, 뇌종양 자동 검출
-
세포 분석 및 분류
-
위성/환경 분석에서 다중 밴드 활용
-
-
대표 데이터 셋
- NIH Chest X-ray, BraTS (MRI), ISIC (피부 병변), LUNA16 (폐 CT)
4️⃣ 문서/텍스트 이미지(Document Images)
- 설명 : OCR 처리용 스캔 문서, PDF, 영수증, 필기체
-
특성
-
1채널 흑백 또는 3채널 RGB
-
OCR 대상: 글자, 표, 도형
-
손글씨, 스캔 품질, 폰트 다양성 문제 존재
-
-
AI/ML 처리 전략.
-
전처리 : Binarization, Denoising, Deskew, Morphological Transform
-
모델 적용
-
CRNN (CNN + RNN) → 순서 정보 학습
-
Transformer 기반 OCR: TrOCR, Donut
-
Layout Analysis: Detectron2, LayoutLMv3
-
-
데이터 증강(Augmentation)
- 글자 왜곡, 배경 변형, 노이즈 추가
-
-
활용 사례
-
문서 자동 분류 및 정보 추출
-
송장, 영수증 데이터 디지털화
-
PDF/스캔 문서 OCR
-
-
대표 데이터 셋
- IAM Handwriting Database, FUNSD, RVL-CDIP
5️⃣ 위성/항공/멀티스펙트럼 이미지(Remote Sensing Images)
- 설명 : 위성, 드론, 항공기 촬영 이미지, 다중 채널(멀티 스펙트럼) 포함 가능.
-
특성
-
다중 밴드(Multi-spectral) 또는 하이퍼스펙트럼(Hyper-spectral)
-
1~12 이상 채널, 높은 스펙트럼 분해능
-
시계열 가능: 작물 성장, 환경 변화
-
-
AI/ML 처리 전략.
-
전처리 :
-
Radiometric Calibration, Atmospheric Correction
-
PCA, NDVI, Vegetation Index 활용
-
-
모델 적용
-
CNN, UNet, DeepLabV3+ (Segmentation)
-
RNN/LSTM/Temporal CNN (Time Series)
-
Attention 기반 모델: Transformer
-
-
기술적 고려.
- High Dimensionality → 차원 축소 필요
- Noise 및 센서 오차 대응
-
-
활용 사례
-
농업: 작물 질병, 성장 상태 분석
-
환경: 산불, 홍수, 토지 변화 감지
-
GIS: 도시계획, 도로/건물 추출
-
-
대표 데이터 셋
- Sentinel-2, DeepGlobe Satellite Challenge, SpaceNet
6️⃣ 동영상/시계열 이미지(Video/Temporal Images)
- 설명 : 연속된 프레임 이미지, 시간 축(Time) 포함.
-
특성
-
(T × H × W × C) 구조, 시간 축 포함
-
연속된 이미지 → 움직임, 행동 정보 포함
-
Frame Rate, Resolution, Duration 고려
-
-
AI/ML 처리 전략.
-
전처리 :
-
Frame Sampling, Optical Flow 계산
-
Temporal Normalization
-
-
모델 적용
-
3D CNN, ConvLSTM
-
Video Transformer (Swin Transformer, Timesformer)
-
Action Recognition: C3D, I3D
-
-
기술적 고려.
-
Temporal Dependency 중요
-
Multi-modal (영상 + 오디오) 가능
-
-
-
활용 사례
-
행동 인식, 스포츠 분석
-
객체 추적, 모션 분석
-
이상 행동 감지, 스마트 CCTV
-
-
대표 데이터 셋
- UCF101, HMDB51, Kinetics, MOT Challenge
