Feature Extraction

특성 추출은 머신 러닝 (ML)에서 원시 고차원 데이터를 유익한 속성 또는 "특성"으로 정제된 집합으로 변환하는 혁신적인 프로세스입니다. 고해상도 이미지, 오디오 스트림 또는 비정형 텍스트와 같은 원시 입력 데이터는 알고리즘이 효과적으로 처리하기에는 너무 방대하고 중복되는 경우가 많습니다. 특성 추출은 입력을 가장 필수적인 구성 요소로 압축하여 이 문제를 해결합니다. 즉, 예측 모델링에 필요한 핵심 정보는 보존하면서 노이즈와 관련 없는 배경 세부 정보는 제거합니다. 이러한 축소는 차원의 저주를 완화하고, 모델이 계산 효율성을 유지하면서 새롭고 관측되지 않은 데이터에도 효과적으로 일반화할 수 있도록 하는 데 필수적입니다.

딥러닝에서 특성 추출의 역할#

전통적인 컴퓨터 비전 시대에는 전문가들이 스케일 불변 특징 변환 (SIFT)과 같은 수동 기법을 사용하여 이미지에서 키포인트를 식별했습니다. 그러나 현대의 딥러닝 (DL)은 특성 발견을 자동화하여 이 워크플로를 혁신했습니다.

신경망, 특히 합성곱 신경망 (CNN)은 백본이라는 특수한 아키텍처 구성 요소를 사용하여 계층적으로 특성을 추출합니다. 데이터가 네트워크 계층을 통과함에 따라 추출되는 특성의 복잡도가 증가합니다:

• 얕은 계층: 이러한 초기 계층은 에지 검출기처럼 작동하여 선, 모서리, 색상 그레이디언트와 같은 단순한 저수준 구조를 식별합니다.
• 깊은 계층: 네트워크가 깊어질수록 이러한 단순한 요소가 집계되어 차량의 형태, 사람의 얼굴 또는 특정 동물의 무늬와 같은 고수준의 의미론적 표현으로 변환됩니다.

이렇게 학습된 표현은 특성 맵에 저장되며, 이후 검출 헤드로 전달되어 객체 검출 또는 이미지 분류와 같은 작업을 수행합니다.

실제 적용 사례#

특성 추출은 다양한 산업 분야에서 원시 감각 입력을 실행 가능한 인사이트로 변환하며, 여러 고급 AI 기능의 원동력 역할을 합니다.

• 의료 진단: 헬스케어에서의 AI 분야에서 모델은 MRI 또는 CT 스캔과 같은 복잡한 의료 이미지를 분석합니다. 정교한 특성 추출 알고리즘은 조직 밀도 또는 질감의 미세한 이상을 식별하여 초기 병리 상태를 나타낼 수 있도록 합니다. 이러한 중요한 시각적 지표를 분리함으로써 시스템은 방사선 전문의가 종양 검출을 훨씬 더 높은 정확도와 속도로 수행하도록 지원할 수 있습니다.
• 자율 주행: 자율 주행 자동차는 안전한 주행을 위해 실시간 특성 추출에 의존합니다. 차량에 탑재된 카메라는 비디오를 컴퓨터 비전 (CV) 모델로 스트리밍하고, 모델은 차선 표시, 신호등 및 보행자 움직임과 관련된 특성을 즉시 추출합니다. 이 기능을 통해 자율 주행 차량은 역동적인 환경에서 순간적인 의사 결정을 내릴 수 있습니다.
• 오디오 처리: 음성 비서에서는 원시 오디오 파형이 스펙트로그램으로 변환됩니다. 그런 다음 알고리즘이 음성학적 특성, 음높이 및 음조를 추출하므로 음성-텍스트 변환 시스템은 화자의 억양이나 배경 소음에 관계없이 음성 언어를 이해할 수 있습니다.

Ultralytics YOLO를 활용한 특성 추출#

Ultralytics YOLO26과 같은 최첨단 아키텍처는 강력한 특성 추출 백본을 설계에 직접 통합합니다. 추론을 실행하면 모델이 자동으로 이미지를 처리하여 관련 특성을 추출한 후 바운딩 박스와 클래스 레이블을 예측합니다.

다음 예제에서는 사전 학습된 모델을 사용하여 이미지를 처리하는 방법을 보여 줍니다. 코드는 단순하지만 모델 내부에서는 객체를 찾기 위해 복잡한 특성 추출을 수행합니다:

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 특성 추출기를 학습하는 데 사용되는 데이터셋을 관리하려는 팀을 위해 Ultralytics Platform은 어노테이션, 학습 및 배포를 위한 종합적인 솔루션을 제공합니다.

관련 용어 구분#

데이터 과학 파이프라인을 완전히 이해하려면 특성 추출을 유사한 개념과 구분하는 것이 도움이 됩니다.

• 특성 추출과 특성 공학의 비교: 두 개념은 함께 논의되는 경우가 많지만, 특성 공학은 일반적으로 도메인 지식을 사용하여 새로운 변수를 만드는 수동 프로세스를 의미하는 더 광범위한 용어입니다(예: "가격"과 "면적"으로부터 "제곱피트당 가격" 계산). 특성 추출은 고차원 데이터(예: 픽셀)를 더 낮은 차원의 특성 벡터로 투영하는 특정 기법이며, 딥러닝에서는 자동화되는 경우가 많습니다.
• 특성 추출과 특성 선택의 비교: 특성 선택은 기존 특성을 변경하지 않고 그 일부를 선택하는 작업으로, 중요도가 낮은 특성을 단순히 제거하여 노이즈를 줄입니다. 반대로 특성 추출은 원본 데이터 포인트를 변환하고 결합하여 새로운 특성을 생성하며, 주성분 분석 (PCA) 또는 학습된 네트워크 가중치와 같은 방법을 사용합니다.

특성 추출을 능숙하게 활용하면 개발자는 PyTorch 및 TensorFlow와 같은 프레임워크를 활용하여 정확할 뿐만 아니라 엣지 배포에도 충분히 효율적인 모델을 구축할 수 있습니다.