Feature Extraction

특징 추출은 원시 고차원 데이터를 정제된 유익한 속성 또는 "특징" 집합으로 변환하는 머신러닝(ML)의 변환 과정입니다. 고해상도 이미지, 오디오 스트림, 비정형 텍스트와 같은 원시 입력 데이터는 알고리즘이 효과적으로 처리하기에 너무 방대하고 중복되는 경우가 많습니다. 특징 추출은 입력을 가장 필수적인 요소로 압축하여 이 문제를 해결하며, 예측 모델링에 필요한 핵심 정보를 보존하면서 노이즈와 관련 없는 배경 세부 사항을 제거합니다. 이러한 축소는 차원의 저주를 완화하여 모델이 계산 효율성을 유지하고 새롭거나 보지 못한 데이터에 대해 잘 일반화할 수 있도록 하는 데 필수적입니다.

Link to this section딥러닝에서 특징 추출의 역할#

전통적인 컴퓨터 비전 시대에는 전문가들이 이미지의 키포인트를 식별하기 위해 SIFT(Scale-Invariant Feature Transform)와 같은 수동 기술에 의존했습니다. 그러나 현대의 딥러닝(DL)은 특징 발견을 자동화함으로써 이러한 워크플로우를 혁신했습니다.

신경망, 특히 합성곱 신경망(CNN)은 계층적으로 특징 추출을 수행하기 위해 백본이라고 하는 특수 아키텍처 구성 요소를 사용합니다. 데이터가 네트워크 계층을 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.

학습된 이러한 표현은 특징 맵에 저장되며, 이후 객체 탐지나 이미지 분류와 같은 작업을 수행하기 위해 탐지 헤드로 전달됩니다.

Link to this section실제 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 헬스케어 분야에서 모델은 MRI 또는 CT 스캔과 같은 복잡한 의료 영상을 분석합니다. 정교한 특징 추출 알고리즘은 초기 단계의 병리 징후일 수 있는 조직 밀도나 질감의 미세한 이상을 식별합니다. 이러한 중요한 시각적 마커를 격리함으로써 시스템은 훨씬 더 높은 정확도와 속도로 방사선 전문의의 종양 탐지를 지원할 수 있습니다.
• 자율 주행: 자율 주행 자동차는 안전하게 주행하기 위해 실시간 특징 추출에 의존합니다. 온보드 카메라는 컴퓨터 비전(CV) 모델로 비디오를 스트리밍하여 차선 표시, 신호등, 보행자 움직임과 관련된 특징을 즉시 추출합니다. 이 기능 덕분에 자율 주행 자동차는 역동적인 환경에서 순간적인 결정을 내릴 수 있습니다.
• 오디오 처리: 음성 비서에서 원시 오디오 파형은 스펙트로그램으로 변환됩니다. 그런 다음 알고리즘이 음성 특징, 피치, 톤을 추출하여 음성 인식 시스템이 화자의 억양이나 배경 소음에 관계없이 구어 언어를 이해할 수 있게 합니다.

Link to this sectionUltralytics YOLO를 이용한 특징 추출#

Ultralytics YOLO26과 같은 최첨단 아키텍처는 강력한 특징 추출 백본을 설계에 직접 통합합니다. 추론을 실행하면 모델은 BBox 및 클래스 레이블을 예측하기 전에 관련 특징을 추출하기 위해 자동으로 이미지를 처리합니다.

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 학습시키는 데 사용되는 데이터셋을 관리하려는 팀을 위해 Ultralytics Platform은 주석, 학습 및 배포를 위한 포괄적인 솔루션을 제공합니다.

Link to this section관련 용어 차별화#

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

• 특징 추출 vs. 특징 엔지니어링: 함께 논의되는 경우가 많지만, 특징 엔지니어링은 일반적으로 도메인 지식을 사용하여 새 변수를 만드는(예: "가격"과 "면적"으로 "평당 가격" 계산) 수동 프로세스를 의미하는 더 넓은 용어입니다. 특징 추출은 딥러닝에서 주로 자동화되며, 고차원 데이터(예: 픽셀)를 저차원 특징 벡터로 투영하는 특정 기술입니다.
• 특징 추출 vs. 특징 선택: 특징 선택은 기존 특징들을 변경하지 않고 그중 일부를 선택하여 중요도가 낮은 특징을 제거함으로써 노이즈를 줄이는 것을 포함합니다. 반면, 특징 추출은 주성분 분석(PCA)이나 학습된 네트워크 가중치를 통해서처럼 원래 데이터 포인트를 변환하고 결합하여 새로운 특징을 생성합니다.

특징 추출을 마스터하면 개발자는 PyTorch 및 TensorFlow와 같은 프레임워크를 활용하여 정확할 뿐만 아니라 에지 배포에도 충분히 효율적인 모델을 구축할 수 있습니다.