Introduction to Convolutional Neural Networks for Visual Recognition

---

A breif history of computer vision

1. Biological vision: 시각을 가진 이후로 개체 수가 급증했다는 설 (Evolution's Big Bang)

2. Mechanical vision(camera):

• 간단한 카메라 역사
• 시각의 원리 규명
• Vision process 정리(David Marr)
• Feature-based Object Recognition: criticial feature을 찾아 매칭
• Spatial Pyramid Matching: 이미지에는 해당 장면이 어떤 종류인지 알려주는 clue가 존재한다!

3. 데이터셋의 확장

• 1900년대 후반에서 2000년대 초로 넘어오면서, 카메라의 성능이 비약적으로 향상
• PASCAL Visual Object Challange
• ImageNet: 기존 방법(SVM 등)은 train시 overfit될 가능성이 너무 높아, train dataset의 complexity가 중요했음. 이는 ImageNet 데이터셋을 만들게된 계기가 됨.

4. 성능 향상

• The Image Classification Challenge에서 2015년에 인간의 분류 능력 초월
• 2012년에 도입된 CNN이 큰 영향을 미침
  

CS231n overview

• Image Classificaiton에 주목
• visual recognition problems에는 여러가지 있음
  • obj detection: classficiation과는 약간 다름(위치 찾아서 박스까지 그려줘야함)
  • img captioning: img를 보고 설명을 해줘야함
  • etc
• CNN have become an important tool for obj recognition
  • 2010: hierarchical method 통한 후 SVM에 집어넣음
  • 2012: 7 layer CNN(alexnet)으로 히트
  • 이후: layer수와 장비 향상 -> 정확도 향상
• CNN이 2012년이 돼서야 도입된 이유
  • LeCun의 CNN(1998)
  • 왜 2012돼서야?
    • 1. increasing computation
    • 2. size of data
• The quest for visual intelligence goes far beyond obj recognition
  • segmentation, activity recognition, vr 관련 문제 등
  • 사람은 0.5s만 보고도 사진에 대해 굉장히 많은 이야기를 할 수 있음
  • 사람은 사진의 맥락을 이해할 수 있음(사진 속 숨은 맥락(대통령인 오바마가 장난을 치는 상황 등))