Essential Vocabulary

Computer Vision 용어 퀴즈

문제 1 / 10

Core Concepts and Terminology

1. Perception and Processing (지각과 처리)

• Perceive (동사): 인지하다, 감지하다
  • Example: Computers can perceive subtle differences in images that humans might miss.
• Perceptual (형용사): 지각의, 인지의
  • Example: Perceptual computing aims to mimic human sensory processing.
• Misperception (명사): 오인, 잘못된 인식
  • Example: Image artifacts can lead to misperception in computer vision systems.

2. Visual Properties (시각적 특성)

• Translucency (명사): 반투명성
  • Example: Processing translucency in images requires advanced rendering techniques.
• Subtle (형용사): 미묘한, 섬세한
  • Example: The algorithm can detect subtle changes in lighting conditions.
• Shading (명사): 음영
  • Example: Proper shading analysis helps in understanding 3D structures.

3. Image Analysis (이미지 분석)

• Effortlessly (부사): 수월하게, 어려움 없이
  • Example: Modern AI systems effortlessly process thousands of images per second.
• Portrait (명사): 초상, 인물 사진
  • Example: Face detection algorithms are crucial for portrait photography.
• Rapid (형용사): 빠른, 신속한
  • Example: Rapid image processing is essential for real-time applications.

4. Technical Processes (기술적 과정)

• Delineate (동사): 윤곽을 그리다, 묘사하다
  • Example: The algorithm can delineate object boundaries precisely.
• Causality (명사): 인과관계
  • Example: Understanding causality in scene analysis improves prediction accuracy.
• Radiometry (명사): 방사측정
  • Example: Radiometry is fundamental to understanding light behavior in images.

5. Industrial Applications (산업적 응용)

• Inspection (명사): 검사, 점검
  • Example: Automated visual inspection systems in manufacturing.
• Retail (명사): 소매, 유통
  • Example: Computer vision enhances retail analytics and customer behavior tracking.
• Warehouse (명사): 창고
  • Example: Automated warehouse systems use computer vision for inventory management.
• Logistics (명사): 물류
  • Example: Computer vision optimizes logistics operations through package tracking.

6. Advanced Applications (고급 응용)

• Intra-operative (형용사): 수술 중의
  • Example: Intra-operative imaging assists surgeons during procedures.
• Morphology (명사): 형태학
  • Example: Mathematical morphology is used in image processing.
• Surveillance (명사): 감시, 보안
  • Example: Video surveillance systems employ advanced computer vision techniques.

7. Image Processing Techniques (이미지 처리 기법)

• Stitching (명사): 이미지 접합
  • Example: Panorama creation through image stitching.
• Overlapping (형용사): 중첩되는
  • Example: Overlapping images are used in 3D reconstruction.
• Bracketing (명사): 브라케팅(노출 단계 조절)
  • Example: HDR images are created using exposure bracketing.
• Morphing (명사): 변형
  • Example: Face morphing creates smooth transitions between images.

8. Research and Development (연구 개발)

• Meticulously (부사): 꼼꼼하게, 정교하게
  • Example: AI models must be meticulously trained for optimal performance.
• Layer-wise, sample-wise (형용사): 층별, 샘플별
  • Example: Neural networks are analyzed layer-wise for better understanding.
• Preexisting (형용사): 기존의, 이미 존재하는
  • Example: Preexisting models can be fine-tuned for specific tasks.
• Plausible (형용사): 그럴듯한, 타당한
  • Example: The system generates plausible reconstructions of 3D scenes.

9. Industrial Human-Robot Collaboration (산업 현장 인간-로봇 협업)

• Pose Forecasting (명사구): 자세 예측
  • Example: Pose forecasting is crucial for safe human-robot interaction.
• Ablation (명사): (신경망 등에서) 일부 제거, 절제
  • Example: Ablation studies help understand the contribution of different model components.
• Endow (동사): 부여하다, 주다
  • Example: The new sensor endows the robot with better perceptive capabilities.
• Perceptive (형용사): 지각하는, 통찰력 있는
  • Example: Perceptive robots can adapt to dynamic environments.
• Harm (명사/동사): 해, 손상 / 해를 끼치다
  • Example: The primary goal is to prevent any harm to the human worker.
• Transmission of contact wrenches (명사구): 접촉력 전달
  • Example: Accurate transmission of contact wrenches is vital for haptic feedback.
• On-the-fly (부사구): 즉석에서, 실시간으로
  • Example: The robot can adjust its path on-the-fly to avoid obstacles.
• Adjacency (명사): 인접, 근접
  • Example: Adjacency matrices are used to represent connections in a graph.
• Sparse (형용사): 희소한, 드문드문 있는
  • Example: Sparse data can be challenging for some machine learning models.
• Sparsity (명사): 희소성
  • Example: Sparsity is a desirable property in many high-dimensional datasets.
• Abide (동사): (규칙 등을) 준수하다, 지키다
  • Example: Robots must abide by safety protocols.
• Genuine (형용사): 진짜의, 진정한
  • Example: The system aims to achieve genuine collaboration between humans and robots.
• Foresee (동사): 예견하다, 예측하다
  • Example: It is difficult to foresee all possible scenarios in a complex environment.
• Exploited (동사, 수동태 또는 과거형): 활용된, 이용된
  • Example: The robot’s capabilities were fully exploited in the task.
• Aspect (명사): 측면, 양상
  • Example: Safety is a critical aspect of human-robot collaboration.
• Intersection (명사): 교차점, 교집합
  • Example: The intersection of AI and robotics has led to many innovations.
• Prune (동사): (가지 등을) 치다, 제거하다, 간결하게 하다
  • Example: Pruning the neural network can reduce its complexity.
• Factorize (동사): 인수분해하다, 요인으로 분석하다
  • Example: We can factorize the matrix to understand its underlying structure.
• Adjacency (명사): 인접, 근접 (중복된 단어입니다. 필요시 하나를 삭제하거나 다른 의미로 사용된 경우 설명을 추가해주세요.)
  • Example: Adjacency lists are another way to represent graph connections.
• Spectral (형용사): 스펙트럼의, 분광의
  • Example: Spectral analysis is used in various sensor technologies.
• Coarse (형용사): 거친, 대략적인
  • Example: A coarse estimation was made initially, followed by a finer adjustment.
• Sparsifying (동사/형용사): 희소화하는
  • Example: Sparsifying techniques are used to reduce data dimensionality.

10. Modern Artificial Intelligence (현대 인공지능)

• Formalize (동사): 공식화하다, 형식화하다
  • Example: We need to formalize the problem statement before designing a solution.
• Density (명사): 밀도
  • Example: Probability density functions describe the likelihood of a continuous variable.
• PDF (Probability Density Function) (명사): 확률 밀도 함수
  • Example: The PDF of a normal distribution is bell-shaped.
• PMF (Probability Mass Function) (명사): 확률 질량 함수
  • Example: The PMF is used for discrete random variables.
• Accomplish (동사): 성취하다, 달성하다
  • Example: The AI model was able to accomplish the task with high accuracy.
• Observed (형용사/동사 과거형): 관찰된
  • Example: The observed data was used to train the model.
• Intractable (형용사): 다루기 힘든, 처리하기 어려운
  • Example: Some problems are computationally intractable.
• Coefficient (명사): 계수
  • Example: The coefficients of the linear regression model were estimated.
• Era (명사): 시대
  • Example: We are in the era of big data and artificial intelligence.
• Deluge (명사): 폭주, 쇄도, 홍수
  • Example: Researchers face a deluge of data from various sources.
• Apparently (부사): 명백히, 보아하니
  • Example: Apparently, the new algorithm outperforms the old one.
• Sufficient (형용사): 충분한
  • Example: Sufficient data is required to train a robust model.
• Altering (동사/형용사): 변경하는
  • Example: Altering the hyperparameters can significantly affect model performance.
• Ability to fix (구문): ~을 고치는 능력
  • Example: The system has the ability to fix minor errors automatically.
• Devising (동사): 고안하다, 창안하다
  • Example: Devising new algorithms is a key part of AI research.
• Empirical (형용사): 경험적인, 실증적인
  • Example: Empirical results show the effectiveness of the proposed method.
• Theorem (명사): 정리 (수학, 논리학)
  • Example: The Bayes’ theorem is fundamental in probability theory.
• Criterion (명사): 기준, 표준 (복수형: criteria)
  • Example: Accuracy is a common criterion for evaluating classification models.
• Impose (동사): 부과하다, 강요하다, 도입하다
  • Example: We can impose constraints on the optimization problem.
• Regularization (명사): 정규화 (기계 학습)
  • Example: Regularization helps prevent overfitting in machine learning models.
• Implicitly (부사): 암묵적으로, 함축적으로
  • Example: The model implicitly learns features from the data.
• Explicitly (부사): 명시적으로, 명백히
  • Example: Some parameters need to be explicitly defined.
• Preferences (명사): 선호도
  • Example: The recommendation system learns user preferences over time.
• Validation (명사): 검증, 확인
  • Example: Cross-validation is used to assess model performance.
• Problematic (형용사): 문제가 있는, 문제가 많은
  • Example: Handling missing data can be problematic.
• Associate (동사): 연관시키다, 관련짓다
  • Example: The goal is to associate input features with output labels.
• Evaluations (명사): 평가
  • Example: Multiple evaluations were conducted to ensure robustness.
• Converge (동사): 수렴하다, 한 점에 모이다
  • Example: The optimization algorithm should converge to a good solution.
• Convex (형용사): 볼록한 (수학)
  • Example: Convex optimization problems are generally easier to solve.

Writing Technical Papers (논문 작성)

• Inventing (동사): 발명하다, 고안하다
  • Example: Inventing new algorithms for efficient image processing.
• Revising (동사): 수정하다, 교정하다
  • Example: Revising the methodology section of the research paper.
• Drafting (동사): 초안을 작성하다
  • Example: Drafting the experimental results section.

11. 수학/선형대수/확률/머신러닝 용어 정리

• Vector: 크기와 방향을 가지는 수학적 객체. 일반적으로 숫자 목록으로 표현됩니다.
• Matrix: 행과 열로 배열된 숫자의 직사각형 배열.
• Inner Product (Dot Product): 두 벡터를 곱하여 스칼라 값을 얻는 연산. 벡터의 유사성을 측정하는 데 사용됩니다.
• Outer Product: 두 벡터를 곱하여 행렬을 얻는 연산.
• Matrix-Vector Product: 행렬과 벡터를 곱하여 벡터를 얻는 연산. 벡터를 행렬의 열들의 선형 결합으로 표현할 수 있습니다.
• Matrix-Matrix Product: 두 행렬을 곱하여 행렬을 얻는 연산.
• Identity Matrix: 주대각선 요소가 모두 1이고 나머지 요소는 모두 0인 정방 행렬. 행렬 곱셈에서 항등원 역할을 합니다.
• Diagonal Matrix: 주대각선 요소 외의 모든 요소가 0인 정방 행렬.
• Transpose: 행렬의 행과 열을 바꾼 연산 (A>).
• Symmetric Matrix: 전치와 같은 정방 행렬 (A = A>).
• Trace: 정방 행렬의 주대각선 요소들의 합 (tr(A)).
• Norm: 벡터 또는 행렬의 “크기”를 측정하는 함수. L1, L2, L∞, Frobenius 노름 등이 있습니다.
• Linear Independence: 벡터 집합 내의 어떤 벡터도 나머지 벡터들의 선형 결합으로 표현될 수 없는 속성.
• Rank: 행렬의 선형 독립인 행 또는 열의 최대 개수. 행렬의 차원 공간을 얼마나 잘 채우는지를 나타냅니다.
• Invertible (Non-singular) Matrix: 역행렬이 존재하는 정방 행렬.
• Inverse Matrix: 행렬 A에 대해 곱했을 때 항등 행렬을 만드는 유일한 행렬 (A^-1).
• Orthogonal Vectors: 내적이 0인 두 벡터. 서로 수직입니다.
• Normalized Vector: L2 노름이 1인 벡터.
• Orthogonal Matrix: 열 벡터들이 서로 직교하며 정규화된(직규 직교) 정방 행렬 (U>U = I = UU>). 역행렬이 전치와 같습니다.
• Determinant: 정방 행렬에 대해 정의되는 스칼라 값. 행렬이 나타내는 선형 변환에 의해 공간의 부피가 얼마나 스케일링되는지를 나타냅니다. 행렬이 특이 행렬일 때 행렬식은 0입니다.
• Quadratic Form: 정방 행렬 A와 벡터 x에 대해 x>Ax 형태로 표현되는 스칼라 값.
• Positive Definite (PD) Matrix: 대칭 행렬이며, 모든 0이 아닌 벡터 x에 대해 x>Ax > 0인 행렬.
• Positive Semidefinite (PSD) Matrix: 대칭 행렬이며, 모든 벡터 x에 대해 x>Ax ≥ 0인 행렬.
• Eigenvalue: 행렬 A를 곱했을 때 벡터의 방향은 유지하고 크기만 λ만큼 스케일링되는 스칼라 값 (Ax = λx).
• Eigenvector: 고유값에 해당하는 0이 아닌 벡터 (Ax = λx).
• Gradient: 다변수 함수의 각 변수에 대한 편미분 값들을 벡터로 모아 놓은 것 (∇f(x)). 함수의 최대 증가 방향을 가리킵니다.
• Hessian: 다변수 함수의 이차 편미분 값들을 행렬로 모아 놓은 것 (∇²f(x)). 함수의 볼록성 또는 오목성을 판단하는 데 사용됩니다.
• Random Variable: 실험의 결과를 수치적으로 나타내는 함수.
• Cumulative Distribution Function (CDF): 확률 변수가 특정 값보다 작거나 같을 확률을 나타내는 함수 (F_X(x) = P{X ≤ x}).
• Probability Density Function (PDF): 연속 확률 변수의 분포를 나타내는 함수. CDF의 미분으로 얻어집니다 (p_X(x) = dF_X(x)/dx).
• Independent Random Variables: 두 확률 변수의 결합 분포가 각 확률 변수의 주변 분포의 곱으로 표현될 수 있는 경우.
• Expected Value (Mean): 확률 변수의 “평균” 값. 이론적인 분포에 기반합니다 (E[X] = ∫x p_X(x) dx).

• Variance: 확률 변수가 평균 주변에 얼마나 퍼져 있는지를 나타내는 측도 (Var(X) = E[

  X - E[X]

  ^2]).

• Correlation: 두 확률 변수 사이의 선형 관계 강도를 나타내는 측도 (E[XY*]).
• Covariance: 두 확률 변수가 함께 변하는 정도를 나타내는 측도 (Cov(X,Y) = E[(X - E[X])(Y - E[Y])*]).
• Random Vector: 여러 개의 확률 변수를 묶어서 벡터로 표현한 것.
• Multivariate Gaussian (Normal) Distribution: 여러 확률 변수의 결합 분포가 가우시안 분포를 따르는 경우. 평균 벡터와 공분산 행렬로 정의됩니다.
• Jointly Gaussian Random Vector: 임의의 선형 변환을 했을 때 결과가 가우시안 확률 변수가 되는 랜덤 벡터. 각 요소가 가우시안이더라도 결합 가우시안이 아닐 수 있습니다.
• Random Process: 시간에 따라 또는 공간에 따라 값이 변하는 확률 변수들의 모임. 이 연구 가이드에서는 2차원 이산 공간에서의 랜덤 프로세스를 다룹니다.
• Power Spectrum (Power Spectral Density): 광의 정상성(Wide Sense Stationary, WSS) 랜덤 프로세스의 자기 상관 함수(autocorrelation function)의 이산 공간 푸리에 변환(DSFT). 랜덤 프로세스의 주파수 구성 요소를 나타냅니다.
• Loss Function: 기계 학습 모델의 예측과 실제 값 사이의 불일치 정도를 측정하는 함수 (L(D(x), y)).
• Supervised Learning: 모델 학습에 입력 데이터(x)와 해당 정답 데이터(y)를 사용하는 방식.
• Empirical Loss Function: 실제 학습 데이터 샘플에 대한 손실 함수의 평균 또는 합. 분석적 손실 함수의 근사값으로 사용됩니다.
• Gradient Descent: 함수의 극소값을 찾기 위해 현재 위치에서 함수의 음수 기울기 방향으로 일정 거리만큼 이동하는 최적화 알고리즘.
• Learning Rate (Step Size): 그래디언트 디센트에서 각 단계에서 이동하는 거리.
• Stochastic Gradient Descent (SGD): 전체 학습 데이터 대신 무작위로 선택된 작은 배치(batch)의 데이터에 대한 그래디언트를 사용하여 모델 파라미터를 업데이트하는 최적화 알고리즘.
• Batch Size: SGD에서 각 업데이트 단계에 사용되는 데이터 샘플의 개수.
• Local Minimum: 함수의 그래디언트가 0이고 헤세 행렬이 양의 정부호 행렬인 지점.
• Overfitting: 모델이 학습 데이터에는 매우 잘 맞지만 새로운 테스트 데이터에 대해서는 성능이 떨어지는 현상.
• Underfitting: 모델이 학습 데이터의 패턴을 제대로 학습하지 못해 학습 데이터와 테스트 데이터 모두에서 성능이 낮은 현상.
• Regularization: 과적합을 방지하고 모델의 일반화 성능을 향상시키기 위해 학습 알고리즘에 추가하는 기법.
• No Free Lunch Theorem: 모든 종류의 문제에 대해 최적으로 작동하는 단일 기계 학습 알고리즘은 없다는 정리.
• Cross-Validation: 데이터를 여러 개의 폴드(fold)로 나누어 일부는 학습에 사용하고 나머지는 평가에 사용하여 모델 성능을 측정하고 일반화 성능을 추정하는 기법.
• Classification: 입력 데이터를 미리 정의된 여러 범주(클래스) 중 하나로 분류하는 문제.
• Regression: 입력 데이터에 기반하여 연속적인 출력 값(실수 값)을 예측하는 문제.
• Density Estimation: 주어진 데이터의 확률 분포를 모델링하거나 추정하는 문제.
• Object Detection: 이미지 또는 비디오에서 객체의 위치를 찾고 해당 객체가 어떤 클래스에 속하는지 식별하는 문제 (분류와 회귀의 조합).
• Self-Supervised Learning: 정답 라벨 없이 입력 데이터 자체에서 학습 신호를 생성하여 모델을 학습하는 방식.