Feature Extraction

특징 추출은 machine learning (ML)에서 원시 고차원 데이터를 정제된 유용한 속성 또는 "특징" 집합으로 변환하는 변환 프로세스입니다. 고해상도 이미지, 오디오 스트림, 비정형 텍스트 같은 원시 입력 데이터는 알고리즘이 효과적으로 처리하기에는 용량이 너무 크고 중복되는 경우가 많습니다. 특징 추출은 predictive modeling에 필요한 핵심 정보를 보존하면서 노이즈와 관련 없는 배경 세부 사항을 제거하여 입력을 가장 필수적인 구성 요소로 압축함으로써 이 문제를 해결합니다. 이러한 차원 축소는 curse of dimensionality를 완화하는 데 필수적이며, 모델이 연산 효율성을 유지하고 새롭고 보지 못한 데이터에 대해 잘 일반화할 수 있도록 보장합니다.

딥러닝에서 특징 추출의 역할#

전통적인 컴퓨터 비전 시대에 전문가들은 이미지에서 키포인트를 식별하기 위해 Scale-Invariant Feature Transform (SIFT) 같은 수동 기술에 의존했습니다. 그러나 현대의 deep learning (DL)은 특징 발견을 자동화하여 이 워크플로를 혁신했습니다.

신경망, 특히 Convolutional Neural Networks (CNNs)은 계층적으로 특징 추출을 수행하기 위해 backbone으로 알려진 특수 아키텍처 구성 요소를 사용합니다. 데이터가 네트워크 레이어를 통과함에 따라 추출된 특징의 복잡성이 증가합니다:

• 얕은 계층: 이 초기 계층은 선, 모서리, 색상 그래디언트와 같은 단순하고 낮은 수준의 구조를 식별하는 에지 검출기 역할을 합니다.
• 깊은 계층: 네트워크가 깊어짐에 따라 이러한 단순 요소들이 결합되어 차량의 모양, 사람의 얼굴, 특정 동물의 무늬와 같은 고수준의 의미론적 표현으로 구성됩니다.

이렇게 학습된 표현은 feature maps에 저장되며, 이후 object detection이나 이미지 분류 같은 작업을 수행하기 위해 감지 헤드로 전달됩니다.

실제 애플리케이션 사례#

특징 추출은 원시 감각 입력을 다양한 산업 전반에 걸쳐 실행 가능한 통찰력으로 변환하며, 많은 고급 AI 기능의 엔진 역할을 합니다.

• 의료 진단: AI in healthcare 분야에서 모델은 MRI 또는 CT 스캔과 같은 복잡한 의료 영상을 분석합니다. 정교한 특징 추출 알고리즘은 초기 병변을 나타낼 수 있는 조직 밀도나 텍스처의 미세한 이상을 식별합니다. 이러한 핵심 시각적 마커를 격리함으로써 시스템은 훨씬 더 높은 정확도와 속도로 방사선 의사의 tumor detection을 지원할 수 있습니다.
• 자율 주행: 자율주행차는 안전하게 주행하기 위해 실시간 특징 추출에 의존합니다. 온보드 카메라는 차선 표시, 신호등, 보행자 움직임과 관련된 특징을 즉시 추출하는 computer vision (CV) 모델로 비디오를 스트리밍합니다. 이 기능 덕분에 autonomous vehicles는 동적 환경에서 찰나의 순간에 결정을 내릴 수 있습니다.
• 오디오 처리: 음성 비서에서 원시 오디오 파형은 스펙트로그램으로 변환됩니다. 그 후 알고리즘은 음성 특징, 피치, 톤을 추출하여 화자의 억양이나 배경 소음에 관계없이 speech-to-text 시스템이 구어체를 이해할 수 있도록 합니다.

Ultralytics YOLO를 이용한 특징 추출#

Ultralytics YOLO26과 같은 최첨단 아키텍처는 강력한 특징 추출 백본을 디자인에 직접 통합합니다. 추론을 실행할 때 모델은 바운딩 박스와 클래스 레이블을 예측하기 전에 이미지를 자동으로 처리하여 관련 특징을 추출합니다.

다음 예시는 사전 학습된 모델을 사용하여 이미지를 처리하는 방법을 보여줍니다. 코드는 간단하지만, 모델 내부에서는 객체 위치를 파악하기 위해 복잡한 특징 추출이 수행되고 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLO26 model, which includes a learned feature extraction backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The model internally extracts features to locate and classify objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting bounding boxes
results[0].show()

이러한 특징 추출기를 훈련하는 데 사용되는 데이터셋을 관리하려는 팀을 위해 Ultralytics Platform은 주석, 훈련, 배포를 위한 종합적인 솔루션을 제공합니다.

관련 용어 차별화#

데이터 과학 파이프라인을 완전히 파악하려면 특징 추출을 유사한 개념과 구분하는 것이 도움이 됩니다.

• 특징 추출 vs. Feature Engineering: 종종 함께 논의되지만, 특징 엔지니어링은 domain knowledge를 사용하여 새로운 변수(예: "가격"과 "면적"으로부터 "평당 가격" 계산)를 생성하는 수동 프로세스를 의미하는 경우가 많은 더 넓은 용어입니다. 특징 추출은 고차원 데이터(예: 픽셀)를 더 낮은 차원의 feature vector로 투영하는 특정 기술이며, 딥러닝에서 종종 자동화됩니다.
• 특징 추출 vs. Feature Selection: 특징 선택은 기존 특징을 변경하지 않고 그중 일부를 선택하여 노이즈를 줄이기 위해 중요도가 낮은 것들을 단순히 제거하는 과정입니다. 반면 특징 추출은 Principal Component Analysis (PCA) 또는 학습된 네트워크 가중치 등을 통해 원본 데이터 포인트를 변환하고 결합하여 새로운 특징을 생성합니다.

개발자는 특징 추출을 마스터함으로써 PyTorch 및 TensorFlow와 같은 프레임워크를 활용하여 정확할 뿐만 아니라 엣지 배포에 충분히 효율적인 모델을 구축할 수 있습니다.