문서 둘러보기
다중 해상도 동적 모드 분해
다중 해상도 동적 모드 분해는 시간 구간을 점차 나누면서 느린 성분과 더 짧은 시간의 변화를 계층적으로 추출하는 방법이다. 전체 구간에서 얻은 한 벌의 모드로 표현하기 어려운 국소적 변화를 다룬다.
무작위화 동적 모드 분해
무작위화 동적 모드 분해는 큰 관측 행렬의 주요 부분공간을 무작위 선형 연산으로 근사한 뒤 작은 행렬에서 동적 모드를 계산하는 방법이다. 낮은 유효 계수를 활용해 계산량과 저장량을 줄인다.
총최소제곱 동적 모드 분해
총최소제곱 동적 모드 분해는 앞뒤 관측 모두에 오차가 있을 수 있음을 반영해 동적 모드를 추정하는 방식이다. 두 관측 집합을 결합한 자료의 부분공간을 이용해 한쪽 자료만 기준으로 삼는 비대칭성을 줄인다.
최적화 동적 모드 분해
최적화 동적 모드 분해는 전체 시간 표본을 지수 모드의 합으로 함께 맞추어 모드와 성장률을 추정하는 방법이다. 비선형 매개변수와 선형 계수를 나누는 변수 투영으로 계산을 구성할 수 있다.
HAVOK
HAVOK은 시간 지연 좌표에서 추출한 주요 성분의 변화를 선형 모형과 나머지 좌표의 강제항으로 나누어 분석하는 방법이다. 한 관측량의 시간 이력을 한켈 행렬로 구성해 복잡한 동역학의 구조를 살펴본다.
SINDy
SINDy는 관측 데이터의 시간 변화를 설명하는 후보 함수들 가운데 소수의 항을 선택해 동역학 방정식을 추정하는 방법이다. 상태가 희소하다는 가정 대신 방정식의 함수 표현이 희소하다는 가정을 사용한다.
제어 입력을 포함한 동적 모드 분해
제어 입력을 포함한 동적 모드 분해는 상태의 다음 변화를 추정할 때 외부에서 가한 입력을 함께 사용하는 데이터 기반 모형 추정 방법이다. 상태 자체의 변화와 입력의 효과를 구분해 선형 입출력 모형을 구한다.
확장 동적 모드 분해
확장 동적 모드 분해는 상태 좌표뿐 아니라 미리 선택한 관측 함수들의 값을 데이터에 적용해 동역학을 근사하는 방법이다. 관측 함수 공간에서 쿠프만 연산자의 유한차원 근사를 구성한다.
동적 모드 분해
동적 모드 분해는 시간에 따른 관측의 변화를 근사하는 선형 연산자를 데이터에서 구하고 그 고유값과 모드로 동역학을 분석하는 방법이다. 모드별 성장과 감쇠, 진동을 분리해 살펴볼 수 있다.
희소 동적 모드 분해
희소 동적 모드 분해는 동적 모드 분해로 얻은 여러 모드 가운데 관측을 설명하는 데 사용할 일부 모드를 선택하는 방법이다. 진폭에 L1 벌점을 더해 재구성 오차와 남길 모드 수 사이의 절충을 만든다.
ESPRIT
ESPRIT는 지수형 신호의 표본 위치를 일정하게 옮겼을 때 유지되는 부분공간 관계를 이용해 주파수 등의 매개변수를 추정하는 알고리즘이다. 이동 관계의 고유값에서 각 성분의 위상 변화를 읽는다.
MUSIC 알고리즘
MUSIC 알고리즘은 관측의 신호 부분공간과 잡음 부분공간을 분리하고, 후보 파형이 잡음 부분공간에 얼마나 직교하는지 이용해 주파수나 도래 방향을 추정하는 방법이다.
EMaC
EMaC는 주파수 성분이 적은 신호를 구조화된 저계수 행렬로 옮겨 누락된 표본을 복원하는 방법이다. 시간 표본을 한켈 구조로 배열하고 핵 노름 최소화를 이용해 관측되지 않은 값을 추정한다.
희소 점원의 초해상도 복원
희소 점원의 초해상도 복원은 낮은 주파수에서 얻은 관측으로 소수 점원의 연속 위치와 세기를 추정하는 역문제다. 관측되지 않은 세부 구조를 복원하려면 점원 모형과 분리 조건 같은 추가 정보가 필요하다.
원자 노름 잡음 제거
원자 노름 잡음 제거는 관측과의 제곱 거리와 원자 노름 벌점 사이의 균형을 맞춰 신호를 추정하는 방법이다. 선택한 원자 집합에 따라 좌표별 희소성이나 연속 주파수 성분 같은 구조를 활용한다.
1비트 압축 센싱
1비트 압축 센싱은 신호의 선형 측정값을 정밀한 실수 대신 부호 한 비트로 기록하고 희소성을 이용해 신호를 추정하는 방식이다. 문턱이 0인 기본 모형에서는 신호의 크기를 잃으므로 방향 복원과 진폭 복원을 구분해야 한다.
격자 없는 압축 센싱
격자 없는 압축 센싱은 연속적인 주파수 같은 매개변수를 유한한 후보 격자에 고정하지 않고 희소한 신호 성분을 추정하는 접근이다. 일부 시간 표본에서 소수의 주파수 성분을 찾는 문제에 적용할 수 있다.
모형 기반 압축 센싱
모형 기반 압축 센싱은 신호 계수가 적게 남는다는 가정에 더해 계수 위치 사이의 구조까지 활용하는 복원 방식이다. 허용하는 지지 집합을 제한해 신호에 맞는 후보를 찾는다.
재가중 L1 최소화
재가중 L1 최소화는 좌표별 절댓값에 서로 다른 벌점을 주는 최적화 문제를 반복해서 푸는 희소 추정 방법이다. 앞선 해에서 작았던 계수에 더 큰 가중치를 부여해 다음 해의 희소성을 유도한다.
정규화 반복 하드 임계화
정규화 반복 하드 임계화는 희소 신호 추정에서 현재 선택한 좌표와 측정 행렬을 이용해 이동 스텝을 조절하는 반복 방법이다. 고정 스텝의 하드 임계화가 행렬의 스케일에 민감한 문제를 완화한다.
희소 복원의 반복 재가중 최소제곱법
희소 복원의 반복 재가중 최소제곱법은 관측 조건을 만족하는 계수 중 가중 제곱합이 작은 해를 구하고, 그 해로 가중치를 다시 정하는 방법이다. 작은 계수를 더 강하게 억제하는 반복을 통해 희소한 해를 찾는다.
근사 메시지 전달
근사 메시지 전달은 희소 신호 복원에서 비선형 계수 갱신과 보정된 잔차 갱신을 반복하는 알고리즘이다. 이전 잔차에 대한 보정항으로 반복 과정에서 생기는 의존성을 다루는 것이 핵심이다.
단치히 선택자
단치히 선택자는 잔차와 각 설명 변수의 상관에 제한을 두면서 회귀 계수의 L1 노름을 최소화하는 추정 방법이다. 관측보다 변수가 많은 문제에서 희소한 계수 벡터를 찾는 데 사용한다.
반복 하드 임계화
반복 하드 임계화는 측정 오차를 줄이는 기울기형 이동과 큰 계수 일부만 남기는 희소 투영을 번갈아 수행하는 신호 복원 방법이다. 목표 희소도를 정하고 각 반복에서 계수의 크기 순서에 따라 지지 집합을 다시 선택한다.
부분공간 추구
부분공간 추구는 일정한 수의 사전 원자가 만드는 부분공간을 반복해서 바꾸며 희소 신호를 복원하는 알고리즘이다. 새 후보를 더한 뒤 신뢰도가 낮은 후보를 제거하고 남은 부분공간에 다시 최소제곱 투영한다.
CoSaMP
CoSaMP는 잔차에서 유력한 희소 계수 후보를 여러 개 고르고 기존 후보와 합친 뒤 계수를 추정하고 다시 가지치기하는 신호 복원 알고리즘이다. 선택한 지지 집합을 매 반복에서 수정할 수 있다는 점이 중요한 특징이다.
압축 센싱
압축 센싱은 신호가 특정 표현에서 희소하거나 압축 가능하다는 구조를 이용해 적은 수의 선형 측정으로 신호를 복원하는 접근이다. 단순히 적게 측정하는 것만이 아니라 측정 연산과 복원 규칙을 구조 가정에 맞게 설계한다.
직교 정합 추구
직교 정합 추구는 현재 잔차와 잘 맞는 사전 원자를 하나씩 선택하고 선택한 원자들의 계수를 최소제곱으로 다시 구하는 희소 근사 알고리즘이다. 새로 선택한 계수만 정하는 대신 이미 고른 계수도 함께 갱신한다.
강인 주성분 분석
강인 주성분 분석은 큰 이상값의 영향을 줄이면서 자료의 낮은 차원 구조를 추정하는 문제와 방법들을 가리킨다. 대표적인 저랭크·희소 분해 모형은 관측 행렬을 저랭크 성분과 일부 원소에 집중된 오염 성분의 합으로 나타낸다.
행렬 완성
행렬 완성은 일부 원소만 관측된 행렬에서 보이지 않은 원소를 추정하는 문제다. 모든 빈칸을 임의로 채울 수 있으므로 낮은 랭크 같은 구조 가정과 관측 위치에 대한 조건이 복원 가능성을 좌우한다.
셰이크 셰이크 정규화
셰이크 셰이크 정규화는 여러 잔차 가지를 가진 신경망에서 가지 출력을 무작위 계수로 결합하고 역방향에도 다른 계수를 사용하는 학습 방법이다. 가지들 사이의 결합을 흔들어 과적합을 줄이는 것을 목표로 한다.
확률적 깊이
확률적 깊이는 학습 중 잔차 가지 일부를 무작위로 건너뛰어 더 짧은 경로로 훈련하고 추론에서는 전체 구조를 사용하는 신경망 학습 방법이다. 개별 활성값을 지우는 드롭아웃과 달리 잔차 변환 단위를 생략한다.
DenseNet
DenseNet은 같은 블록 안의 각 층이 앞선 층들의 특징을 채널 방향으로 이어 붙여 입력받는 합성곱 신경망 구조다. 앞에서 만든 특징을 보존하며 새 특징을 조금씩 추가해 재사용하는 연결 방식이 핵심이다.
사전 활성화 잔차 블록
사전 활성화 잔차 블록은 정규화와 활성화를 가중치층 앞에 배치하고 잔차 합산 뒤의 경로를 가능한 한 항등으로 유지하는 잔차 신경망 구성이다. 입력에서 출력으로 이어지는 직접 경로와 잔차 변환의 역할을 구별한다.
CBAM
CBAM은 합성곱 특징에 채널 어텐션과 공간 어텐션을 차례로 적용하는 신경망 모듈이다. 채널마다 반응을 조절한 뒤 위치마다 반응을 조절하며, 두 종류의 게이트를 입력 특징에 곱해 표현을 재구성한다.
ECA 모듈
ECA 모듈은 전역 평균으로 요약한 채널 벡터에 짧은 1차원 합성곱을 적용해 채널 어텐션을 계산하는 신경망 구성이다. 채널 수를 작은 은닉 차원으로 줄이는 대신 인접한 채널 요약 사이의 국소적인 상호작용을 이용한다.
SE 블록
SE 블록은 입력 특징을 채널별로 요약한 뒤 채널 사이의 관계를 학습해 각 채널의 반응 크기를 조절하는 신경망 구성이다. 공간의 각 위치를 따로 선택하기보다는 특징 채널을 입력에 맞게 재조정하는 데 초점을 둔다.
역잔차 블록
역잔차 블록은 적은 채널의 입력을 넓은 중간 표현으로 확장해 처리한 뒤 다시 적은 채널로 투영하고, 조건이 맞으면 좁은 입력과 출력을 잔차 연결하는 신경망 구성이다. MobileNetV2의 핵심 구조로 사용된다.
MobileNet
MobileNet은 모바일과 임베디드 환경의 시각 인식을 위해 연산량과 모형 크기를 줄이도록 설계한 합성곱 신경망 계열이다. 초기 구조는 깊이별 합성곱과 점별 합성곱을 결합하고 채널 폭과 입력 해상도로 비용을 조절한다.
ShuffleNet
ShuffleNet은 점별 그룹 합성곱과 채널 셔플을 이용해 적은 연산 예산에서 시각 인식을 수행하도록 설계한 경량 신경망이다. 채널을 그룹으로 나누어 결합 비용을 줄이면서 그룹 사이의 정보가 흐르도록 채널 순서를 바꾼다.
딥 컴프레션
딥 컴프레션은 신경망의 연결 제거, 학습 가능한 가중치 양자화, 허프먼 부호화를 결합한 모형 압축 방법이다. 남길 연결의 수와 각 연결을 나타내는 값의 종류, 저장 부호의 길이를 단계별로 줄인다.
복권 가설
복권 가설은 무작위로 초기화한 큰 신경망 안에 원래 초기값으로 다시 학습했을 때 좋은 성능에 도달하는 희소 부분망이 존재한다는 신경망 학습 가설이다. 연결 구조만이 아니라 어떤 초기 가중치가 그 구조에 배정되었는지도 중요하게 다룬다.
신경망 양자화
신경망 양자화는 가중치나 활성값을 제한된 수의 값으로 표현해 저장과 연산 비용을 줄이는 방법이다. 정수 표현과 대응하는 스케일을 함께 사용하며, 어느 연산을 어떤 정밀도로 실행하는지에 따라 실제 효과가 달라진다.
이진 신경망
이진 신경망은 주요 가중치와 활성값을 두 값으로 제한해 계산하는 신경망이다. 흔히 −1과 +1을 사용하며, 비트 표현과 비트 논리 연산을 활용해 저장량과 연산 비용을 줄이는 것을 목표로 한다.
관계 지식 증류
관계 지식 증류는 개별 입력의 교사 출력값을 그대로 맞추는 대신 여러 입력의 표현 사이 거리나 각도 관계를 학생에게 전달하는 방법이다. 표현 공간의 좌표가 달라도 표본 사이의 구조를 학습 신호로 삼을 수 있다.
어텐션 전이
어텐션 전이는 교사 신경망에서 계산한 공간적 주목 지도를 학생 신경망이 따라 하도록 훈련하는 지식 전달 방법이다. 합성곱 특징의 전체 값을 같은 모양으로 맞추는 대신 위치별 반응을 요약한 지도를 비교할 수 있다.
FitNets
FitNets는 교사 신경망의 중간 표현을 힌트로 사용해 더 얇고 깊은 학생 신경망의 학습을 돕는 방법이다. 최종 출력만 따라 하게 하는 데서 나아가 학생의 일부 은닉층이 교사의 은닉 표현을 예측하도록 유도한다.
지식 증류
지식 증류는 교사 모형의 출력이나 표현을 학습 신호로 사용해 학생 모형을 훈련하는 방법이다. 큰 모형이나 앙상블의 동작을 더 작은 모형으로 옮기는 데 활용하며, 단순히 가중치 파일을 압축하는 작업과 구별한다.
BALD
BALD는 정답을 추가로 확인했을 때 모형 매개변수에 관해 얼마나 많은 정보를 얻을지 평가하는 능동 학습 기준이다. 예측의 엔트로피가 크다는 사실뿐 아니라 가능한 모형들이 그 예측에서 얼마나 의견을 달리하는지도 고려한다.
BatchBALD
BatchBALD는 여러 입력의 정답을 한 번에 요청할 때 입력들 사이의 중복 정보를 고려하는 능동 학습 방법이다. 각 입력의 점수를 따로 매겨 높은 순으로 고르는 대신 선택된 정답 묶음과 모형 매개변수 사이의 상호 정보량을 평가한다.
딥 앙상블
딥 앙상블은 서로 다르게 학습한 여러 신경망의 예측 분포를 결합하는 방법이다. 단일 예측값의 정확도를 높이는 데 사용할 수 있으며, 구성 모형의 불일치와 각 모형의 확률 분포를 함께 이용해 예측 불확실성을 표현하기도 한다.
몬테카를로 드롭아웃
몬테카를로 드롭아웃은 예측할 때도 드롭아웃의 무작위 마스크를 사용해 여러 번 계산한 결과를 모으는 방법이다. 같은 학습 가중치에서 나온 다양한 출력을 평균하고 그 변동을 살펴 예측의 불확실성을 추정한다.
온도 스케일링
온도 스케일링은 분류 모델의 로짓을 하나의 양수 매개변수로 나눈 뒤 소프트맥스를 적용해 예측 확률을 보정하는 방법이다. 가장 높은 점수를 받은 클래스의 순서는 유지하면서 확률 분포가 뾰족하거나 완만한 정도를 조절한다.
블랙박스 레이블 이동 추정
블랙박스 레이블 이동 추정은 학습된 분류기의 출력 비율과 혼동 행렬을 이용해 새 자료의 실제 클래스 비율을 추정하는 방법이다. 클래스별 입력 분포는 유지되고 클래스의 발생 비율만 바뀐다는 레이블 이동을 전제로 한다.
가중 컨포멀 예측
가중 컨포멀 예측은 보정 자료와 새 입력의 분포 차이를 가중치에 반영해 예측 집합을 구성하는 방법이다. 공변량 이동에서는 입력 분포가 바뀌더라도 입력이 주어졌을 때 반응값의 조건부 분포는 유지된다고 가정한다.
잭나이프 플러스
잭나이프 플러스는 관측을 하나씩 제외해 학습한 모형들의 예측값과 오차를 함께 사용해 새 반응값의 예측 구간을 만드는 방법이다. 한 개의 전체 자료 모형을 중심으로 구간 폭만 정하는 잭나이프 예측법과 구별한다.
컨포멀 분위수 회귀
컨포멀 분위수 회귀는 분위수 회귀가 만든 하한과 상한을 별도의 자료로 보정하는 예측 구간 구성법이다. 입력에 따라 달라지는 구간 폭을 활용하면서, 교환가능한 새 관측에 대한 유한 표본 포함률을 확보한다.
적응형 예측 집합
적응형 예측 집합은 분류 모델의 불확실성에 따라 제시하는 정답 후보의 수를 바꾸는 방법이다. 확률이 일부 후보에 집중되면 작은 집합을, 여러 후보로 퍼지면 큰 집합을 만들고, 별도의 보정 자료로 포함률을 조절한다.
컨포멀 위험 제어
컨포멀 위험 제어는 별도의 보정 자료로 예측 규칙의 보수성을 정해 새로운 관측에 대한 평균 손실을 제한하는 방법이다. 정답을 예측 집합에 포함하는 문제를 넘어, 집합이 커질수록 감소하는 손실을 다룬다.
예측 안전 필터
예측 안전 필터는 제어기가 제안한 입력을 미래 상태 예측으로 검사하고, 제약을 지킬 수 없다고 판단하면 입력을 수정하는 제어 구조다. 현재 입력 이후에도 안전한 대응 경로가 남는지 확인하며 학습 제어기나 사람의 명령과 함께 사용할 수 있다.
차동 구동의 최소 시간 경로
차동 구동의 최소 시간 경로는 좌우 바퀴 속도에 제한이 있는 로봇이 주어진 위치·방향 배치 사이를 가장 빨리 이동하는 운동이다. 차체 중심의 이동 거리만 줄이는 문제와 달리 제자리 회전에 걸리는 시간도 비용에 포함된다.
리즈 셰프 경로
리즈 셰프 경로는 전진과 후진을 모두 허용하고 회전 반지름에 제한이 있는 평면 차량의 최단 경로다. 직선과 최소 반지름 원호에 진행 방향 전환을 결합하며, 전진만 허용하는 두빈스 모델보다 더 짧은 해를 가질 수 있다.
두빈스 경로
두빈스 경로는 전진만 가능하고 최소 회전 반지름이 정해진 평면 차량의 두 위치·방향 배치를 잇는 최단 경로다. 장애물이 없는 이상적 모델에서 최소 반지름 원호와 직선의 제한된 조합으로 최적 후보를 찾을 수 있다.
계산 토크 제어
계산 토크 제어는 로봇의 동역학 모델로 원하는 가속도를 구동 토크로 바꾸고 추종 오차의 피드백을 결합하는 제어 방법이다. 모델이 정확한 이상적 조건에서는 비선형 관절 운동을 원하는 선형 오차 방정식으로 만들 수 있다.
하이브리드 운동 힘 제어
하이브리드 운동 힘 제어는 환경이 허용하는 방향에서는 운동을, 접촉으로 구속된 방향에서는 힘을 제어하는 로봇 제어 방식이다. 서로 양립할 수 있는 운동 목표와 접촉력 목표를 구분해 결합하며 환경의 구속 방향을 알아야 한다.
환산 관성
환산 관성은 감속기 등으로 서로 다른 속도로 회전하는 부품의 관성 효과를 선택한 축의 좌표로 표현한 값이다. 모터 회전자가 출력축보다 G배 빠르면 출력축에서 본 회전자 관성은 이상적인 단일 축 모델에서 G²배가 된다.
비홀로노믹 이동 로봇
비홀로노믹 이동 로봇은 바퀴가 옆으로 미끄러지지 않는 조건처럼 순간 속도에 제약이 있는 이동 로봇이다. 옆 방향으로 즉시 움직일 수 없어도 회전과 전후 이동을 조합해 다른 배치로 갈 수 있으며, 가능한 운동은 구동 방식에 따라 달라진다.
바퀴 오도메트리
바퀴 오도메트리는 바퀴의 회전량과 로봇의 기하학적 모델로 이동 로봇의 위치와 방향 변화를 추정하는 방법이다. 짧은 구간의 이동을 누적하므로 초기 배치가 기준이 되며, 미끄러짐과 보정 오차가 쌓이면 실제 위치와 차이가 커진다.
인공 퍼텐셜장
인공 퍼텐셜장은 목표로 끌어당기는 성분과 장애물에서 밀어내는 성분을 가상의 퍼텐셜 함수로 구성하는 로봇 운동 방법이다. 퍼텐셜의 음의 기울기를 따라 움직이도록 하며, 계산이 비교적 간단하지만 목표가 아닌 곳에 멈추는 문제가 있다.
급속 탐색 무작위 트리
급속 탐색 무작위 트리는 표본 상태를 향해 탐색 나무를 확장하는 동작 계획 방법이다. 시작 상태에서 출발해 새 표본에 가까운 기존 정점을 고르고, 유효한 짧은 운동을 추가해 목표 영역으로 가는 경로를 찾는다.
확률적 로드맵
확률적 로드맵은 충돌하지 않는 로봇 배치를 표본으로 뽑고 그 사이의 이동 가능성을 그래프로 연결하는 동작 계획 방법이다. 만든 그래프에 시작점과 목표점을 연결해 경로를 탐색하므로, 같은 환경에서 여러 이동 요청을 처리하는 데 활용할 수 있다.
애플워치 업데이트 다운로드가 멈췄을 때
다운로드 대기와 설치 진행을 구분하고 충전·연결 조건부터 확인하는 순서를 정리한다.
크롬 프로필 로그인과 구글 웹 로그인 차이
브라우저 도구 모음의 프로필과 구글 웹페이지의 계정 메뉴를 구분하고 데이터 저장·동기화 상태를 확인하는 방법을 설명한다.
증기터빈·가스터빈·풍력터빈의 차이
흐르는 유체가 날개를 돌린다는 공통점과 에너지원·작동 유체·발전 구성의 차이를 비교한다.
와이파이 연결됨·인터넷 없음과 DNS 진단
무선 연결, 공유기 주소, 외부 통신, DNS 조회를 나누어 확인하는 방법과 IPv6 설정 변경 뒤 복구됐을 때의 해석을 정리한다.
영상 모멘트
영상 모멘트는 화소 위치의 거듭제곱과 화소의 가중치를 합산해 영상 영역의 분포를 요약하는 값이다. 영역의 크기와 중심, 퍼진 방향 등을 수치로 다루는 데 사용한다.
HSV 색 공간
HSV 색 공간은 색을 색상, 채도, 명도의 세 성분으로 표현하는 방식이다. 영상에서 특정 색의 범위를 골라 내거나 색을 조절할 때 사용하며, RGB의 세 채널과는 좌표의 의미가 다르다.
양방향 필터
양방향 필터는 화소 사이의 공간 거리와 밝기 또는 색의 차이를 함께 반영해 영상을 평활화하는 방법이다. 가까이 있어도 값이 크게 다른 화소의 영향을 줄여 경계를 보존하는 방향으로 평균을 구성한다.
BRIEF 기술자
BRIEF는 영상의 작은 영역에서 여러 쌍의 밝기를 비교해 이진 문자열을 만드는 특징 기술자다. 미리 검출한 특징점 주변을 간결하게 표현하고 영상 사이의 대응 후보를 비교하는 데 사용한다.
FAST 코너 검출
FAST 코너 검출은 중심 화소 주변의 원형 이웃에서 연속된 밝기 차이를 검사해 특징점 후보를 찾는 방법이다. 주변 화소를 비교하는 간단한 판정으로 영상의 관심점을 선별한다.
ORB 특징점
ORB는 FAST 기반의 특징점 검출과 방향을 보정한 이진 기술자를 결합하는 영상 특징 추출 방법이다. 서로 다른 영상에서 대응하는 부분을 찾을 때 위치 정보와 짧은 이진 표현을 함께 사용한다.
SIFT
SIFT는 영상에서 특징점의 위치와 크기, 방향을 찾고 주변 밝기 변화로 기술자를 만드는 방법이다. 크기나 회전이 달라진 영상 사이에서 같은 부분의 대응을 찾는 데 사용한다.
시 토마시 코너 검출
시 토마시 코너 검출은 국소 기울기 행렬의 두 고유값 중 작은 값을 점수로 사용해 특징점을 고르는 방법이다. 서로 다른 방향에서 충분한 밝기 변화가 있는 위치를 찾는 관점을 사용한다.
해리스 코너 검출
해리스 코너 검출은 작은 영상 영역을 여러 방향으로 움직였을 때 밝기 패턴이 얼마나 달라지는지 분석해 코너 후보를 찾는 방법이다. 한 방향의 경계뿐 아니라 두 방향으로 충분한 변화가 있는 위치를 살핀다.
광학 흐름
광학 흐름은 연속된 영상에서 밝기 패턴이 화면 위로 이동하는 양상을 벡터장으로 나타낸 것이다. 물체 이동뿐 아니라 카메라 움직임 등으로도 생기며, 실제 삼차원 속도와 그대로 같은 양은 아니다.
구조적 유사도 지수
구조적 유사도 지수는 두 영상의 국소적인 밝기와 대비, 구조 관계를 이용해 유사성을 평가하는 지표다. 한 영상을 기준으로 삼아 다른 영상의 품질을 비교할 수 있지만 모든 지각적·의미적 차이를 측정하는 것은 아니다.
최대 신호 대 잡음비
최대 신호 대 잡음비는 기준 영상과 비교 영상의 평균 제곱 오차를 신호의 최대 표현값에 대비해 데시벨로 나타내는 지표다. 영상 압축이나 복원 결과를 비교할 때 쓰지만, 사람의 지각 품질을 직접 측정하는 값은 아니다.
감마 보정
감마 보정은 입력 밝기값에 거듭제곱 형태의 변환을 적용하는 방법이다. 영상의 명암을 바꾸거나 비선형 밝기 표현을 다룰 때 사용하며, 지수의 정의와 입력 범위를 확인해야 한다.
히스토그램 평활화
히스토그램 평활화는 밝기의 누적 분포를 이용해 영상의 명암 값을 다시 배치하는 방법이다. 좁은 밝기 범위에 모인 값을 더 넓게 표현해 대비를 바꿀 수 있지만 모든 영상에서 시각적 품질이 좋아지는 것은 아니다.
연결 요소 레이블링
연결 요소 레이블링은 전경 화소들이 정한 이웃 관계로 이어지는지를 검사해 각 연결 집합에 서로 다른 식별자를 부여하는 연산이다. 같은 전경이라도 연결 기준에 따라 요소 수가 달라질 수 있다.
워터셰드 영상 분할
워터셰드 영상 분할은 영상을 높낮이가 있는 지형처럼 해석해 영역을 나누는 방법이다. 서로 다른 영역이 확장하며 만나는 곳을 경계로 구분하는 관점을 사용하고, 마커 기반 방식에서는 출발 영역의 레이블을 지정한다.
유클리드 거리 변환
유클리드 거리 변환은 이진 자료의 각 전경 위치에 가장 가까운 배경 위치까지의 유클리드 거리를 기록하는 연산이다. 모든 점 쌍의 거리를 출력하는 것이 아니라 각 위치에서 배경까지의 최단 거리를 구한다.
오츠 이진화
오츠 이진화는 영상의 밝기 히스토그램으로부터 전역 임계값을 정해 두 집단으로 나누는 방법이다. 두 집단 내부의 가중 분산을 작게 하는 기준을 사용하며, 사람이 임계값 하나를 직접 지정하는 방식과 다르다.
수학적 형태학
수학적 형태학은 구조 요소를 기준으로 영상이나 집합의 형태를 분석하고 바꾸는 방법이다. 침식과 팽창을 기본 연산으로 삼으며, 이들을 조합해 열기와 닫기 같은 처리를 구성한다.
허프 직선 변환
허프 직선 변환은 영상의 점들이 지지하는 직선 매개변수를 누적 공간에 투표해 직선 후보를 찾는 방법이다. 영상 좌표의 여러 점이 같은 직선 매개변수로 모이는 관계를 이용한다.
캐니 에지 검출
캐니 에지 검출은 영상의 밝기 변화에서 얇고 연결된 경계 후보를 얻기 위한 다단계 방법이다. 평활화와 기울기 계산, 비최대 억제, 두 임계값을 이용한 연결 추적을 결합한다.
소벨 연산자
소벨 연산자는 영상의 밝기 변화를 국소적으로 근사하는 미분 연산자다. 한 방향의 차분과 다른 방향의 평활화를 결합하며, 두 방향의 결과를 이용해 기울기 크기와 방향을 살펴볼 수 있다.
가우스 필터
가우스 필터는 가우스 함수 형태의 가중치를 사용해 주변 값을 합성곱하는 필터다. 가까운 표본에 더 큰 가중치를 주는 평활화가 대표적이며, 가우스 함수의 도함수를 이용하는 미분 필터와는 구분해야 한다.
사비츠키 골레이 필터
사비츠키 골레이 필터는 움직이는 구간 안의 자료에 낮은 차수의 다항식을 맞추어 평활화하거나 도함수를 추정하는 방법이다. 단순히 구간의 평균을 내는 것과 달리 국소적인 다항식 모양을 이용한다.
이산 사인 변환
이산 사인 변환은 유한한 수열을 사인 기저의 계수로 나타내는 변환이다. 유형에 따라 경계 밖으로 확장하는 대칭과 기저의 위치가 달라지며, 적절한 정규화로 직교 변환을 구성할 수 있다.