총 19개
-
의료 영상 분석에서의 컴퓨터비전 활용2025.12.191. 딥러닝 기반 의료 영상 분석 합성곱 신경망(CNN)은 방대한 영상 데이터로부터 자동으로 특징을 학습하여 기존 기법을 압도하는 성능을 보여주었다. U-Net은 의료 영상 분할에 특화된 구조로 종양이나 병변의 위치를 픽셀 단위로 정밀하게 예측할 수 있다. 3차원 CNN은 CT나 MRI와 같이 다차원 데이터를 처리하는 데 효과적이며, 최근에는 트랜스포머 기반 네트워크와 자기지도학습이 적용되어 데이터 효율성을 높이고 있다. 2. 의료 영상 모달리티와 응용 엑스레이는 폐 질환, 골절 진단에 활용되며 AI가 폐결절 검출을 자동화한다. C...2025.12.19
-
텐서플로우 딥러닝 (CNN)2025.05.051. 데이터 세트 학습 데이터에 사용할 영상은 Google에서 이미지 검색으로 꽃을 검색하고, FatKun이라는 크롬 확장 프로그램을 사용하여 영상을 다운로드 받았다. 테스트 데이터에 사용할 영상은 꽃을 직접 구입하여 촬영한 영상 데이터를 사용했다. 학습 데이터는 총 234개, 테스트 데이터는 총 150개이며, 검증 데이터는 훈련데이터의 20%를 사용하여 총 57개이다. 2. 합성곱 신경망 (CNN) 기본적으로 이미지 분류를 하기 위해서는 합성 곱 신경망(CNN)이 필요하다. 2차원 CNN의 특징 추출 부분은 MaxPool2D층과 ...2025.05.05
-
컴퓨터비전의 개념과 발전 과정2025.12.191. 컴퓨터비전의 개념 및 연구 영역 컴퓨터비전은 디지털 영상이나 비디오로부터 유용한 정보를 자동으로 추출하고 분석하여 의사결정에 활용하는 기술이다. 영상 처리, 패턴 인식, 인공지능과 밀접하게 연관되어 있으며, 객체 검출, 이미지 분할, 동작 인식, 3차원 재구성 등의 연구 영역으로 나뉜다. 인간의 시각적 인지 과정을 모방하기 위해 복잡한 수학적 알고리즘과 데이터 기반 학습 기법을 필요로 한다. 2. 딥러닝 혁신과 성능 향상 2012년 AlexNet이 ILSVRC 대회에서 기존 기법을 압도하면서 컴퓨터비전은 새로운 전기를 맞이했다...2025.12.19
-
합성곱신경망의 이미지 인식 및 응용 사례2025.12.191. 합성곱신경망(CNN)의 기본 구조 합성곱신경망은 1980년대 후반 야닉 르쿤의 LeNet에서 기원하며, 필터를 통해 이미지의 지역적 특징을 자동으로 추출한다. 합성곱 계층은 작은 행렬인 필터를 이미지에 적용하여 가장자리 검출 등의 특징을 추출하고, 풀링 계층은 특징 맵의 차원을 줄여 연산 효율성을 높인다. 이러한 구조는 인간 시각 피질의 특성과 유사하며, 이미지의 공간적 상관관계를 효율적으로 반영한다. 2. CNN 구조의 발전 과정 CNN은 LeNet에서 시작하여 AlexNet, VGGNet, GoogLeNet, ResNet으...2025.12.19
-
인공지능과 인지신경과학 진로탐구2025.12.161. 인공신경망과 딥러닝의 발전 1943년 워렌 맥컬록이 인간의 뇌 구조를 모방한 인공신경망 알고리즘을 최초로 제안했으며, 1980년대 심층신경망(DNN) 이론이 등장했다. 현재의 딥러닝은 복잡한 비선형 관계로부터 특징을 추출하여 모델링하는 데 탁월하며, 방대한 데이터를 분석하여 구조와 관계를 컴퓨터가 스스로 학습할 수 있다. 퍼셉트론은 프랑크 로젠블라트가 1957년 제안한 초기 인공신경망으로, 입력 신호에 가중치를 부여하여 임계치를 초과하면 신호를 전달한다. 다층 퍼셉트론은 은닉층을 통해 XOR 문제를 해결할 수 있으며, 1986...2025.12.16
-
VQGAN 논문 (인공지능) 발표 및 대본2025.05.071. VQGAN 모델 VQGAN은 VQ-VAE 구조를 따르며 CNN과 Transformer의 장점을 결합한 모델입니다. CNN으로 Locality를 잘 반영하는 codebook을 학습하고, Transformer의 풍부한 표현력으로 Image Synthesis를 이룹니다. VQGAN은 2-stage 모델로, 첫번째 stage에서 codebook을 학습하여 Transformer에 사용하기 위한 이미지의 구성요소를 학습하고, 두번째 stage에서 이러한 codebook을 바탕으로 Transformer를 이용하여 이미지를 구성합니다. 2....2025.05.07
-
딥러닝의 EEG 신호 분석에서의 활용과 CNN의 원리2025.01.141. 딥러닝 기반 EEG 분석 딥러닝 기법들은 동작상상, 감정인식 등 EEG 데이터 분류 작업에서 우수한 성능을 보인다. 딥러닝 알고리즘은 EEG 데이터 수집과 전처리, 딥러닝 모형 학습, 신호 분류 및 해석의 과정으로 구성된다. 전처리 과정에서는 입력받은 뇌파 신호를 분류하기 쉬운 형태로 바꿔주어 분류의 정확도를 높여야 한다. 2. EEG분석을 위한 딥러닝 기법 EEG 분석을 위한 딥러닝 기법에는 CNN, RNN, GAN, Autoencoder 등이 있다. 입력되는 데이터의 특징에 따라 CNN보다 RNN이 자극에 의한 변화를 인식...2025.01.14
-
AI 기반 안저 이미지 분석을 통한 안질환 조기 진단2025.12.211. 당뇨망막병증(DR) 진단 당뇨병으로 인해 망막의 미세혈관이 손상되어 발생하는 질환입니다. 초기에는 미세혈관류, 출혈, 경성 삼출물 등이 나타나며, 진행될수록 신생혈관이 자라나 실명을 유발합니다. AI는 CNN을 통해 이러한 초기 미세 병변을 인간의 눈보다 빠르고 객관적으로 식별하며, 비증식성 당뇨망막병증(NPDR) 단계에서 특히 뛰어난 효과를 보입니다. 최신 AI 모델들은 95% 이상의 민감도와 특이도를 달성하고 있습니다. 2. 컨볼루션신경망(CNN) 기술 AI가 안저 이미지를 분석하는 핵심 기술로, 딥러닝의 한 종류입니다. ...2025.12.21
-
AI 기반 컴퓨터 비전 기술을 활용한 의료 서비스 평준화2025.01.021. AI 기반 컴퓨터 비전 기술의 의료 적용 고령화 사회에서 건강과 의료에 대한 관심이 높아지고 있지만, 실질적으로 양질의 의료 서비스를 받기 위해서는 특정 병원에 대한 의존도가 높아지고 있습니다. 이에 컴퓨터 비전 기술을 활용하여 지역과 관계없이 동일한 진료 기준으로 질환을 판정할 수 있는 시스템을 구축하여 모두가 평등한 의료 서비스를 받을 수 있는 환경을 만드는 것이 필요합니다. 1. AI 기반 컴퓨터 비전 기술의 의료 적용 AI 기반 컴퓨터 비전 기술은 의료 분야에서 매우 유망한 기술로 주목받고 있습니다. 이 기술은 의료 영...2025.01.02
-
합성곱 신경망의 원리와 이미지 인식 응용2025.12.191. 합성곱 신경망(CNN)의 기초 원리 합성곱 신경망은 인간의 시각 피질에서 착안한 혁신적 기술로, 작은 크기의 필터를 이미지에 슬라이딩하며 특징 맵을 생성한다. CNN의 기본 구조는 합성곱 계층, 활성화 함수(ReLU), 풀링 계층, 완전연결 계층으로 이루어져 있다. 합성곱 연산은 이미지의 지역적 패턴을 효과적으로 포착하며, 가중치 공유를 통해 학습 파라미터를 줄인다. 이는 전통적 인공신경망과 달리 이미지의 공간 구조를 고려하여 연산 효율성과 학습 안정성을 높인다. 2. CNN의 발전 과정과 대표 모델 CNN의 기원은 1980년...2025.12.19
1 / 2
