Tech Knowledge Note

🚗 YOLO v3, 실시간 객체 탐지의 새로운 전환점YOLO(You Only Look Once)는 “이미지를 한 번만 본다”는 이름처럼, 전체 이미지를 한 번에 처리하여 객체를 탐지하는 혁신적인 알고리즘입니다. 특히 YOLO v3는 이전 버전보다 정확도와 속도 모두에서 향상된 성능을 보여주며, 자율주행차·CCTV·드론·로봇 등 다양한 실시간 비전 시스템의 핵심으로 자리 잡았습니다.🧠 1. YOLO v3의 핵심 아이디어YOLO v3는 CNN(합성곱 신경망) 기반의 단일 네트워크 구조로, 입력 이미지 전체를 한 번에 처리하여 객체의 **위치(Bounding Box)**와 **클래스(Class)**를 동시에 예측합니다.핵심은 “속도와 정확도의 균형”에 있습니다.YOLO v1: 매우 빠르지만 작은 객체 인식..

🚶 1. 보행자 행동 예측이란 무엇인가?자율주행차의 핵심 과제 중 하나는 단순히 “사람을 인식”하는 것을 넘어,보행자가 앞으로 어떤 행동을 할지를 예측하는 것이다.예를 들어,보행자가 도로에 진입할 것인지,멈춰 설 것인지,혹은 갑자기 뛰어들 가능성이 있는지 등을 미리 판단하는 것이다.이러한 예측이 가능해야, 차량은 사전에 감속하거나 회피 기동을 수행할 수 있다.따라서 보행자 행동 예측 모델(Pedestrian Behavior Prediction Model) 은자율주행 시스템의 안전성과 반응성을 결정하는 핵심 요소다.🧠 2. 예측 모델의 핵심 아이디어보행자의 행동은 단일 이미지로 판단하기 어렵다.시간에 따라 변화하는 연속된 동작(Sequence) 을 분석해야 하며,따라서 시계열 기반 딥러닝 모델이 필요하..

🚗 1. CNN을 활용한 이미지 분류, 직접 구현해보기앞선 글에서는 합성곱과 풀링 연산을 통해 CNN의 작동 원리를 살펴보았다.오늘은 그 이론을 바탕으로 실제로 차량과 보행자를 구분하는 CNN 모델을 구현해본다.이 실습은 자율주행의 핵심 기술 중 하나인 객체 인식(Object Recognition) 의 기초 단계다.즉, 차량과 보행자를 정확히 분류할 수 있어야 안전한 주행 판단이 가능하다.🧩 2. 데이터 준비: 차량 vs 보행자 이미지먼저 분류를 위해 두 가지 클래스의 이미지를 준비해야 한다.🚘 Class 1: Vehicle (차량)자동차, 버스, 트럭 등 도로 위 차량 이미지🚶 Class 2: Pedestrian (보행자)횡단보도를 건너거나 길을 걷는 사람 이미지이 데이터는 Kaggle이나 Op..

🧠 1. CNN의 핵심 연산, 직접 경험해보기이전 글에서 우리는 CNN(합성곱 신경망)의 기본 구조를 살펴봤다.오늘은 그 핵심인 합성곱(Convolution) 과 풀링(Pooling) 연산이 실제로 어떻게 작동하는지,직관적으로 이해할 수 있도록 예시와 함께 실습 형태로 알아본다.CNN의 강점은 이미지 속 특징을 자동으로 추출한다는 점이다.그 중심에 있는 합성곱과 풀링은 “이미지 속 중요한 부분만 뽑아내고 압축하는 과정”이다.🔹 2. 합성곱(Convolution) 연산의 원리합성곱은 이미지의 작은 영역(커널, kernel) 을 움직이며 특징을 추출하는 과정이다.커널은 일종의 작은 창(window)으로, 픽셀의 패턴을 탐색한다.예를 들어, 3×3 크기의 커널을 생각해보자.커널이 이미지 위를 한 칸씩 이동..

📘 1. CNN이란 무엇인가?CNN(Convolutional Neural Network, 합성곱 신경망)은 이미지 인식, 객체 탐지, 자율주행 등 시각 정보 처리에 특화된 인공신경망이다.사람의 시각 피질(Visual Cortex)에서 영감을 받아 만들어졌으며, 이미지의 공간적 특징(Shape, Texture, Pattern) 을 자동으로 학습한다.기존의 완전연결 신경망(Fully Connected Network, FCN)은 모든 픽셀을 동일하게 연결하지만,CNN은 국소 영역(Local Receptive Field) 만을 관찰하고 필터(Filter) 를 이동시키며 전체 이미지를 효율적으로 분석한다.🧩 2. CNN의 기본 구조CNN은 일반적으로 다음과 같은 5단계 구조로 이루어진다.1️⃣ 입력층 (Inp..