퍼셉트론 및 신경망: 컴퓨터 비전의 기본 원리

지난 수십 년 동안 neural networks은(는) 인공지능(AI)의 주요 혁신을 이루는 핵심 구성 요소가 되었습니다. 신경망은 인간 두뇌의 복잡한 기능을 모방하려는 연산 모델입니다. 이 모델은 기계가 data로부터 학습하고 패턴을 인식하여 정보에 기반한 결정을 내리도록 돕습니다. 이를 통해 healthcare, finance, self-driving cars 같은 분야에서 computer vision 및 deep learning과 같은 AI 하위 분야가 활성화되도록 지원합니다.

신경망의 작동 방식을 이해하면 AI라는 "black box"에 대한 더 나은 아이디어를 얻을 수 있으며, 최첨단 기술이 우리의 daily lives에 어떻게 통합되는지 명확히 이해하는 데 도움이 됩니다. 이 글에서는 신경망이 무엇인지, 어떻게 작동하는지, 그리고 수년에 걸쳐 어떻게 진화해 왔는지 살펴봅니다. 또한 computer vision applications에서 신경망이 수행하는 역할도 살펴보겠습니다. 자, 시작하겠습니다!

AI에서의 퍼셉트론이란 무엇입니까?#

신경망에 대해 자세히 논의하기 전에, 퍼셉트론(perceptron)을 먼저 살펴보겠습니다. 퍼셉트론은 가장 기본적인 형태의 신경망이며, 더 복잡한 models을 구축하기 위한 기초가 됩니다.

퍼셉트론은 supervised learning(labeled training data로부터 학습)에 사용되는 선형 machine learning 알고리즘입니다. 단층 신경망으로도 알려져 있으며, 일반적으로 두 데이터 클래스를 구분하는 이진 분류 작업에 사용됩니다. 퍼셉트론을 시각화하려고 한다면, 단일 인공 뉴런으로 생각할 수 있습니다.

Fig 1. 퍼셉트론은 단일 인공 뉴런입니다.

퍼셉트론의 작동 방식 이해하기#

퍼셉트론은 여러 개의 입력을 받아 가중치와 결합하고, 어떤 범주에 속하는지 결정하며, 간단한 의사결정 장치 역할을 할 수 있습니다. 퍼셉트론은 입력값(노드라고도 함), weights and biases, 순합(net sum), 활성화 함수의 네 가지 주요 parameters로 구성됩니다.

작동 방식은 다음과 같습니다:

• 입력과 가중치: 여러 정보(입력)가 있고, 각각의 중요도를 나타내는 가중치가 있다고 가정해 보겠습니다. 이와 함께 bias는 퍼셉트론이 의사결정을 내릴 때 더 유연성을 가질 수 있도록 돕습니다.
• 가중합 계산: 퍼셉트론은 각 입력에 가중치를 곱한 다음, 편향을 포함한 모든 값을 더하여 가중합을 산출합니다.
• 의사결정: 그 다음, 퍼셉트론은 활성화 함수를 사용하여 최종 출력을 결정합니다. 가중합을 취하여 퍼셉트론이 활성화될지 여부를 결정합니다. 가장 간단한 경우, 활성화 함수는 단계 함수이며 가중합이 특정 임계값보다 크면 1을, 그렇지 않으면 0을 출력합니다. 따라서 가중치가 적용된 입력은 예/아니오 결정으로 변환됩니다.
• 학습 및 개선: 퍼셉트론이 실수를 하면, 다음에는 더 잘하기 위해 가중치를 조정합니다. 이 과정을 통해 helps the model learn이(가) 자신의 실수로부터 학습할 수 있게 됩니다.

그림 2. 퍼셉트론 개요. 출처: indiantechwarrior.com

컴퓨터 비전에서의 퍼셉트론의 역할#

퍼셉트론은 basics of computer vision을 이해하는 데 중요한 역할을 합니다. 퍼셉트론은 advanced neural networks의 기초입니다. 퍼셉트론과 달리 신경망은 단일 레이어에 국한되지 않습니다. 상호 연결된 여러 레이어의 퍼셉트론으로 구성되어 있어 복잡한 비선형 패턴을 학습할 수 있습니다. 신경망은 더 고급 작업을 처리할 수 있으며 이진 출력과 연속형 출력을 모두 생성할 수 있습니다. 예를 들어, 신경망은 instance segmentation 및 pose estimation과 같은 advanced computer vision tasks에 사용될 수 있습니다.

신경망에서 파생된 컴퓨터 비전 기술의 진화#

신경망의 역사는 수십 년 전으로 거슬러 올라가며 수많은 연구와 흥미로운 발견들로 가득합니다. 이러한 주요 사건들을 자세히 살펴보겠습니다.

초기 이정표를 간단히 살펴보면 다음과 같습니다:

• 1940년대: 워런 맥컬럭(Warren McCulloch)과 월터 피츠(Walter Pitts)는 뇌가 작동하는 방식을 모방한 간단한 회로를 개발했습니다.
• 1958년: 로젠블라트(Rosenblatt)가 퍼셉트론을 도입했습니다.
• 1970년대: 폴 웨르보스(Paul Werbos)는 역전파(예측된 출력과 실제 출력 간의 차이를 최소화하여 신경망이 학습하도록 돕는 학습 방법)의 개념을 고안했습니다. Backpropagation은(는) 다층 신경망을 train하는 것을 가능하게 만들었으며 딥러닝의 길을 열었습니다.
• 1980년대: 제프리 힌튼(Geoffrey Hinton)과 얀 르쿤(Yann LeCun)과 같은 연구자들은 연결주의(connectionism)를 연구했는데, 이는 상호 연결된 유닛들의 네트워크가 어떻게 인지 과정을 형성할 수 있는지에 관한 것입니다. 그들의 연구는 현대 신경망의 토대를 마련했습니다.
• 1990년대: 위르겐 슈미트후버(Jürgen Schmidhuber)와 셉 호크라이터(Sepp Hochreiter)는 시퀀스 예측 작업에 필수적인 LSTM(Long Short-Term Memory) 네트워크를 제안했습니다.

Fig 3. 신경망의 진화.

21세기로 접어들면서 신경망 연구가 급성장하여 더욱 큰 발전을 이루었습니다. 2000년대에 데이터에서 패턴을 찾는 일종의 신경망인 제한 볼츠만 머신(Restricted Boltzmann machine)에 대한 힌튼의 연구는 딥러닝을 발전시키는 데 중요한 역할을 했습니다. 이 연구는 딥 네트워크 학습을 더 쉽게 만들었고, 복잡한 모델과 관련된 문제를 해결하는 데 도움을 주어 딥러닝을 더욱 실용적이고 효과적으로 만들었습니다.

그 후 2010년대에는 big data와 parallel computing의 부상으로 연구가 급격히 가속화되었습니다. 이 시기의 하이라이트는 2012년 ImageNet 대회에서 AlexNet이 우승한 것입니다. 깊은 convolutional neural network인 AlexNet은 accurately recognizing images과 같은 computer vision tasks에 딥러닝이 얼마나 강력할 수 있는지 보여주었기 때문에 큰 도약이었습니다. 이는 시각 인식 분야에서 AI의 급격한 성장에 불을 지피는 데 기여했습니다.

오늘날 신경망은 시퀀스 이해에 뛰어난 transformers과 데이터의 복잡한 관계를 잘 처리하는 그래프 신경망과 같은 새로운 혁신과 함께 진화하고 있습니다. 한 작업에서 학습된 모델을 다른 작업에 사용하는 transfer learning이나 모델이 without needing labeled data 학습하는 자기 supervised learning과 같은 기법도 신경망의 역량을 확장하고 있습니다.

신경망 이해하기: 기초#

기본적인 내용을 다루었으니, 이제 신경망이 정확히 무엇인지 이해해 보겠습니다. 신경망은 인간의 뇌를 닮은 계층 구조로 상호 연결된 노드나 뉴런을 사용하는 일종의 머신 러닝 모델입니다. 이러한 노드나 뉴런은 데이터를 처리하고 학습하여 pattern recognition 같은 작업을 수행할 수 있도록 합니다. 또한 신경망은 적응력이 뛰어나므로 실수로부터 학습하고 시간이 지남에 따라 개선될 수 있습니다. 이를 통해 facial recognition과 같은 복잡한 문제를 더 정확하게 해결할 수 있는 능력을 갖추게 됩니다.

Fig 4. 신경망.

신경망은 레이어로 조직되어 병렬로 작동하는 여러 프로세서로 구성됩니다. 입력 레이어, 출력 레이어, 그리고 그 사이에 여러 개의 숨겨진 레이어로 구성됩니다. 입력 레이어는 우리의 optic 신경이 시각 정보를 받아들이는 것과 유사하게 원시 데이터를 수신합니다.

그런 다음 각 레이어는 원래 입력과 직접 작동하는 대신 출력을 다음 레이어로 전달하며, 이는 뇌의 뉴런이 서로 신호를 보내는 방식과 매우 유사합니다. 마지막 레이어는 네트워크의 출력을 생성합니다. 이 과정을 통해 인공 신경망(ANN)은 이미지 classification과 같은 computer vision tasks을 수행하는 법을 배울 수 있습니다.

컴퓨터 비전에서 신경망의 산업적 적용#

신경망이 무엇이며 어떻게 작동하는지 이해했으니, 컴퓨터 비전에서 신경망의 잠재력을 보여주는 애플리케이션을 살펴보겠습니다.

에너지 부문의 송전선 검사#

Neural networks form the basis of computer vision models like Ultralytics YOLO11 and can be used to visually inspect power lines using drones. The utilities industry faces logistical challenges when it comes to inspecting and maintaining their extensive networks of power lines. These lines often stretch across everything from busy urban areas to remote, rugged landscapes. Traditionally, these inspections were carried out by a ground crew. While effective, these manual methods are costly, time-consuming, and can expose workers to environmental and electrical hazards. Research shows that utility line work is among the ten most hazardous jobs in America, with an annual fatality rate of 30 to 50 workers per 100,000.

그러나 drone inspection technology은(는) aerial inspections을(를) 더 실용적이고 비용 효율적인 옵션으로 만들 수 있습니다. 최첨단 기술을 통해 드론은 검사 중에 잦은 배터리 교체 없이 더 먼 거리를 비행할 수 있습니다. 많은 드론이 이제 AI와 통합되어 있으며 자동 장애물 회피 기능과 향상된 결함 감지 기능을 갖추고 있습니다. 이러한 기능을 통해 많은 송전선이 있는 혼잡한 지역을 검사하고 더 먼 거리에서 capture high-quality images을(를) 수행할 수 있습니다. 많은 국가에서 송전선 검사 작업을 위해 드론과 컴퓨터 비전을 도입하고 있습니다. 예를 들어, 에스토니아에서는 모든 송전선 검사의 100%가 이러한 드론에 의해 수행됩니다.

그림 5. 드론과 AI 도구를 사용하여 송전선을 검사하는 기술자(왼쪽 이미지)와 그가 조종하는 드론(오른쪽 이미지) (suasnews).

핵심 요약#

신경망은 연구에서 애플리케이션으로 나아가는 과정에서 먼 길을 걸어왔으며 현대 기술 발전의 중요한 부분이 되었습니다. 신경망은 기계가 학습한 내용을 사용하여 학습하고 패턴을 인식하며 정보에 입각한 의사결정을 내릴 수 있도록 합니다. 의료와 금융에서부터 자율주행 차량과 제조에 이르기까지 이러한 네트워크는 혁신을 주도하고 산업을 변화시키고 있습니다. 우리가 신경망 모델을 계속 탐구하고 다듬어 나감에 따라, 우리의 일상생활과 비즈니스 운영의 더 많은 측면을 재정의할 수 있는 신경망의 잠재력은 더욱 분명해지고 있습니다.

더 자세히 알아보려면 GitHub repository를 방문하고 community에 참여해 보세요. 당사의 솔루션 페이지에서 manufacturing 및 agriculture 분야의 AI 애플리케이션을 살펴보세요. 🚀