★ 이 책에서 다루는 내용 ★

■ 케라스와 텐서플로에 대한 환경 설정
■ 애완동물 분류 제약 사항을 고려한 이미지 분류와 딥러닝 모델 훈련 방법 학습
■ 모델의 심층 레이어 이해
■ 이미지 추출 문제를 해결하기 위한 사전 훈련된 모델의 사용 방법
■ 검출 방법 이해와 보행자 검출 적용
■ 이미지 캡션 방법의 학습 및 구현
■ GAN을 사용해 이미지를 생성할 수 있는 모델 훈련
■ 동영상 분류 방법의 확인 및 실제 구현
■ 다양한 플랫폼에 실제 훈련된 모델 적용

★ 이 책의 대상 독자 ★

분류, 검출, 검색, 분할, 생성, 자막 및 동영상 분류와 같은 컴퓨터 비전 문제에 대한 심층적 학습 방법을 알고 싶은 독자나 적은 데이터, 불균형 클래스, 소음과 같은 다양한 제약 조건에서도 높은 정확도를 달성하는 방법을 이해하길 원하는 독자에게 적합한 책이다.
이와 더불어 훈련된 모델을 다양한 플랫폼(AWS, 구글 클라우드, 라즈베리 파이, 휴대전화)에서 사용하는 방법을 알고 싶은 독자에게도 추천한다. 이 책을 모두 읽고 나면, 독자는 인물 검출, 얼굴 인식, 제품 검색, 의료 이미지 분할, 이미지 생성, 이미지 캡션, 동영상 분류 등의 문제에 대한 코드를 개발할 수 있게 될 것이다.

★ 이 책의 구성 ★

1장. '시작하기'에서는 딥러닝의 기초를 소개하며, 초보자는 어휘에 익숙해질 시간을 갖게 된다. 이후 장을 수행하는 데 필요한 소프트웨어 패키지 설치에 대한 내용도 다룬다 .
2장. '이미지 분류'에서는 이미지 전체에 레이블을 붙이는 이미지 분류 문제를 설명한다. 이미지 분류 기술에 대해 배우고 애완동물 분류에 대한 딥러닝 모델을 훈련할 수 있다. 또한 정확도를 높이고 다양한 고급 아키텍처에 대한 심도 있는 내용을 배우게 된다.
3장. '이미지 검색'에서는 심층 특징(deep feature)과 이미지 검색을 다룬다. 모델 시각화, 시각적 기능, 텐서플로(TensorFlow)를 사용한 추론, 제품 검색을 위한 시각적 기능 제공 및 사용에 대한 다양한 방법을 학습할 수 있다.
4장. '객체 검출'에서는 이미지의 객체 검출을 설명한다. 다양한 객체 검출 기술을 배우고 이를 보행자 검출(pedestrian detection)에 적용할 수 있다. 객체 검출을 위한 텐서플로 API가 이 장에서 활용된다.
5장. '시맨틱 분할'에서는 픽셀 단위로 이미지를 분할하는 것을 다룬다. 분할 기법에 대한 지식을 얻고 의료 이미지의 분할 모델을 훈련할 수 있다.
6장. '유사도 학습'에서는 유사도 학습에 대해 이야기한다. 유사도 매칭(similarity matching)과 얼굴 인식을 위한 모델을 훈련시키는 방법을 배우게 된다. 얼굴 표식(face landmark)을 훈련시키는 모델이 설명된다.
7장. '이미지 캡션'에서는 이미지의 캡션을 생성하거나 선택하는 것을 다룬다. 자연어 처리 기술과 이 기술을 사용해 이미지 캡션을 생성하는 방법을 배운다.
8장. '생성 모델'에서는 다양한 목적으로 합성 이미지를 생성하는 방법을 설명한다. 독자는 이 장을 통해 생성 모델이 무엇인지 배우고, 스타일 전송과 훈련 데이터 등의 이미지 생성 애플리케이션 프로그램에 적용할 수 있다.
9장. '동영상 분류'에서는 동영상 데이터에 대한 컴퓨터 비전 기술을 다룬다. 동영상 문제와 이미지 문제의 주요 차이점을 이해하고 동영상 분류 기술을 구현해본다.
10장. '배포'에서는 심화 학습 모델의 배포 단계를 설명한다. 훈련된 모델을 배치하고 다양한 속도에 맞게 최적화하는 방법을 배울 수 있다.

딥러닝은 인공지능에 혁명을 일으키고 있으며, 앞으로 수십 년 동안 강렬하게 세상을 바꿀 기술이다. 심층 학습을 기반으로 한 인공지능은 산업혁명과 비슷한 수준의 영향을 미칠 수 있다.
딥러닝은 미래에 대한 흥분과 더불어 두려움을 만들어냈다. 그렇지만 딥러닝은 현실상에서는 산업혁명과 기계와 마찬가지로 산업 생산성을 향상시키고 많은 인류의 생활 수준을 높여줄 것이다.
물론, 직업을 대체하기보다는 더 양질의 일자리를 더 많이 만들어낼 것이다. 이것이야말로 이 책이 중요하고 시기적절한 이유이기도 하다. 이 책의 독자들은 컴퓨터 비전을 위한 딥러닝에 대해 파악하게 되고, 딥러닝의 강력한 힘과 많은 애플리케이션에 대해 알게 될 것이다. 이 책은 독자들에게 앞으로 수십 년 동안 급속도로 성장할 거대 산업에 대한 기초 내용을 제공할 것이다.
저자 라쟈링가파는 컴퓨터 비전과 관련된 여러 프로젝트에서 나와 함께 작업했던 훌륭한 연구원이다. 그는 의류 검색을 위한 복잡한 컴퓨터 비전 및 딥러닝 시스템을 설계하고 제공한 수석 엔지니어였으며, 해당 프로젝트는 실제로도 크게 성공을 거뒀다. 그의 강점 중 하나는 복잡한 문제에 대한 최첨단 연구 내용을 실제 상황에 적용할 수 있다는 것이며, 복잡한 아이디어를 분해하고 간단하게 설명할 수 있다. 라쟈링가파는 훌륭한 직업윤리를 가지고 있으며 매우 야침 차다. 딥러닝을 사용하는 컴퓨터 비전의 최신 기술들에 대한 내용을 정리했으며, 이러한 정리 내용은 많은 사람이 쉽게 할 수 있는 것이 아니다. 이 책은 라쟈링가파의 큰 결과물들을 정리한 것이며, 독자들은 앞으로 수년 동안 이 결과물을 잘 사용함으로써 많은 혜택을 얻을 수 있을 것이다.
ㅡ 스티븐 무어 박사/ 싱가포르 이모션리더 최고 기술 책임자(CTO)

1장. 시작하기
__딥러닝 이해하기
____퍼셉트론
____활성화 함수
____인공 신경망
____원-핫 인코딩
____신경망 학습
____텐서플로 플레이그라운드 살펴보기
____컨볼루션 신경망
____순환 신경망
____LSTM
__컴퓨터 비전을 위한 딥러닝
____분류
____검출 또는 로컬라이제이션 및 분할
____유사도 학습
____이미지 캡셔닝
____생성 모델
____동영상 분석
__개발 환경 설정하기
____하드웨어 및 운영체제
____소프트웨어 패키지 설치하기
__요약


2장. 이미지 분류
__텐서플로에서 MNIST 모델 훈련하기
____MNIST 데이터셋
____MNIST 데이터 로드하기
____퍼셉트론 구축하기
____다중 레이어 컨볼루션 신경망 구축하기
__케라스에서 MNIST 모델 훈련시키기
____데이터셋 준비하기
____모델 구축하기
__그 외 일반적으로 사용되는 이미지 테스트 데이터셋
____CIFAR 데이터셋
____패션-MNIST 데이터셋
____ImageNet 데이터셋 및 대회
__더 깊은 딥러닝 모델
____AlexNet 모델
____VGG-16 모델
____구글 인셉션-V3 모델
____마이크로소프트 ResNet-50 모델
____SqueezeNet 모델
____공간 변환 네트워크
____DenseNet 모델
__개와 고양이를 예측하는 모델 훈련시키기
____데이터 준비하기
____간단한 CNN으로 벤치마킹하기
____데이터셋 확장하기
____모델의 전이 학습 또는 미세 조정
____딥러닝의 여러 레이어 파인 튜닝하기
__실제 애플리케이션 개발하기
____올바른 모델 선택하기
____언더피팅 및 오버피팅 시나리오 해결하기
____얼굴에서 성별과 나이 검출하기
____의류 모델 미세 조정하기
____브랜드 안정성
__요약


3장. 이미지 검색
__시각적 특징의 이해
__딥러닝 모델 활성화의 시각화
__임베딩 시각화
____DeepDream
____적대적인 사례
__모델 추론
____모델 내보내기
____훈련된 모델 사용
__콘텐츠 기반 이미지 검색
____검색 파이프라인 구축
____효율적 검색
____ANNOY를 사용한 매칭 가속화
____Raw 이미지 자동 인코더
____자동 인코더를 사용한 노이즈 제거
__요약


4장. 객체 검출
__이미지에서의 객체 검출
__데이터셋 탐색하기
____ImageNet 데이터셋
____파스칼 VOC 챌린지
____COCO 객체 검출 챌린지
____측정 항목을 사용해 데이터 집합 평가하기
__알고리즘 로컬라이제이션하기
____슬라이딩 윈도우를 사용해 객체 로컬라이제이션하기
____로컬라이제이션을 회귀 문제로 생각해보기
__객체 검출
____R-CNN
____Fast R-CNN
____Faster R-CNN
____싱글 샷 다중 박스 검출기
__객체 검출 API
____설치 및 설정
____사전 훈련된 모델
____객체 검출 모델 재훈련
__자율주행용 보행자 검출 훈련
__YOLO 객체 검출 알고리즘
__요약


5장. 시맨틱 분할
__픽셀 예측
____의료 이미지 진단
____위성 이미지를 사용해 지구를 살펴보기
____로봇이 볼 수 있도록 허용하기
__데이터셋
__시맨틱 분할을 위한 알고리즘
____완전 컨볼루션 네트워크
____SegNet 아키텍처
____확장 컨볼루션
____DeepLab
____RefiNet
____PSPnet
____대형 커널의 문제
____DeepLab v3
__울트라-신경 분할
__위성 이미지 분할
____분할을 위한 FCN 모델링
__인스턴스 분할
__요약


6장. 유사도 학습
__유사도 학습을 위한 알고리즘
____샴 네트워크
____FaceNet
____DeepNet 모델
____DeepRank
____시각적 추천 시스템
__인간 얼굴 분석
____얼굴 검출
____얼굴 표식 및 속성(attribute)
____캐글 키포인트 데이터셋
____얼굴 인식
____얼굴 클러스터링
__요약


7장. 이미지 캡션 처리
__문제 및 데이터셋 이해하기
__이미지 캡션을 위한 자연어 처리 이해
____벡터 형태로 단어 표현하기
____단어를 벡터로 변환
____임베딩 훈련
__이미지 캡션 및 관련 문제에 대한 접근 방법
____조건부 랜덤 필드를 사용해 이미지와 텍스트 연결하기
____CNN 기능에서 RNN을 사용해 자막 생성
____이미지 순위를 사용해 자막 만들기
____이미지와 이미지에서 캡션 가져오기
____밀집 캡션
____캡션에 RNN 사용하기
____다중 모달 측정 항목 공간 사용하기
____캡션 작성 시 관심 네트워크 사용하기
____언제 살펴봐야 할지 파악하기
__관심 기반 이미지 캡션 방법 구현하기
__요약


8장. 생성 모델
__생성 모델의 애플리케이션
____예술적 스타일 이전 방법
____동영상의 다음 프레임 예측 방법
____슈퍼 해상도 이미지
____대화형 이미지 생성하기
____이미지를 이미지로 변환하기
____텍스트로 이미지 생성하기
____불필요 제거
____블렌딩
____속성 변환하기
____훈련 데이터 생성
____새 애니메이션 캐릭터 만들기
____사진으로부터 3D 모델 생성
__신경 예술 스타일 전송
____콘텐츠 손실
____그램 매트릭스를 사용한 스타일 손실
____스타일 전송
__GAN
____바닐라 GAN
____조건부 GAN
____적대적 손실
____이미지 변환
____InfoGAN
____GAN의 단점
__VDM
____VDM 알고리즘
__요약


9장. 동영상 분류
__동영상의 이해 및 분류
____동영상 분류 데이터셋 탐색
____동영상을 프레임으로 분할하기
____동영상 분류 접근법
__동영상에 대한 이미지 기반 접근법 확장
____사람의 포즈도 적용하기
____동영상 분할
____동영상 캡션
____동영상 생성
__요약


10장. 배포
__모델 성능
____모델 양자화
____MobileNets
__클라우드에서 배포하기
____AWS
____구글 클라우드 플랫폼
__장치에 모델 배포하기
____Jetson TX2
____안드로이드
____아이폰
__요약

★ 지은이의 말 ★

다양한 애플리케이션 프로그램을 위한 컴퓨터 비전 기술을 배우고 싶어 하는 독자를 대상으로 하며, 독자에게 컴퓨터 비전 기반 제품을 개발할 수 있는 도구와 기술을 제공한다. 실용적인 예제들을 통해 비전 관련 이론을 확인할 수 있다.

 

★ 옮긴이의 말 ★

컴퓨터 비전은 컴퓨터에 시각을 부여해 이미지를 분석함으로써 유용한 정보를 생성하는 기술이다. 비전 기술은 컴퓨터나 로봇 등을 통해 얼굴, 건물 등의 다양한 객체를 인식하는 데 응용되며, 인공지능 기술이 발전하면서 객체 인식 기술의 진화 속도는 빨라지고 있다.
컴퓨터가 사물을 정확하게 인식해 유용한 정보를 제공할 수 있게 되면서 컴퓨터 인터페이스에 변혁이 일어나고 있다. 아이폰 X에는 얼굴을 인식하는 기능인 페이스 ID가 탑재됐고, 스마트폰의 카메라를 이용한 신용카드 스캔 등의 기술이 실제로 적용되고 있다.
컴퓨터 비전을 구현하기 위한 사용자의 프로젝트에서 컴퓨터 비전 알고리즘을 시작하길 원하더라도, 어디서부터 시작해야 할지 다소 막막할 수 있다. 컴퓨터 비전 엔지니어라 해도, 심도 있게 접근하거나 더 많은 내용을 배우려면 많은 기술을 알아야 한다. 이와 같은 목적을 달성하려면 실전 경험이 가장 중요하다. 실제 문제를 해결하는 방법을 통해 현존하는 방법들을 사용자의 요구 사항에 맞춰 수행해야 하며, 샘플 코드들을 통해 컴퓨터 비전 알고리즘의 가능성과 한계를 충분히 이해해 나가야 한다.
이 책은 실제 컴퓨터 비전 작업을 할 때 직접적으로 큰 도움이 될 수 있도록 구성됐다. 텐서플로(TensorFlow)를 사용해 추론, 제품 검색을 위한 시각적 기능의 제공 및 다양한 사용 방법을 학습할 수 있고, 유사도 매칭(similarity matching)과 얼굴 인식을 위한 모델을 훈련시키는 방법도 배울 수 있다. 이러한 내용들을 다룬 이 책은 딥러닝 학습을 위한 많은 내용들을 담고 있으며 이해하기 쉽게 예제 코드와 그 결과물까지 한꺼번에 보여준다. 컴퓨터 비전 학습을 위한 시맨틱 분할(semantic segmentation), 유사도 학습(similarity learning), 이미지 캡션(image caption), 생성 모델(generative model), 동영상 분류(video classification)에 대해 알기 쉽게 설명해주므로 데이터 기반 컴퓨터 비전 기술에 대한 지식을 한 번에 쉽게 습득할 수 있다.
모든 독자들이 텐서플로/케라스(Keras)와 딥러닝 등에 대한 기본 이론을 이해하고 실제로 구현하는 데 많은 도움이 되길 진심으로 바란다. 각각의 심오한 주제와 관련된 내용 전체를 하나씩 천천히 끄집어낸 후 설명하고 있으므로 순서대로 읽다 보면 전반적인 내용을 충분히 파악할 수 있을 것이다.