Computer Vision: Crash Course Computer Science #35 CrashCourse English Korean

Computer Vision: Crash Course Computer Science #35YouTube↗ IA↗(long shot)
Education 163.8K views 4.4K likes 69 dislikes 15 Nov 2017 Show Contributors 1

CrashCourse 17.1M subscribers United States YouTube↗

Contributed subtitles

Korean byongcheol Ko

Click to Play Video

Hi, I’m Carrie Anne, and welcome to Crash Course Computer Science!

안녕하세요, 저는 Carrie Anne입니다. 컴퓨터 과학 특강에 오신 것을 환영합니다!

Today, let’s start by thinking about how important vision can be.

오늘날, 시각이 얼마나 중요한지 생각해 보면서 시작해 봅시다.

Most people rely on it to prepare food, walk around obstacles, read street signs, watch

대부분의 사람들은 시각에 의존하여 음식을 준비하고, 장애물을 피해 가고, 거리 표지판을 읽고

videos like this, and do hundreds of other tasks.

이와 같은 동영상을 보며, 이외에 다른 수백가지 일을 합니다.

Vision is the highest bandwidth sense, and it provides a firehose of information about

비전은 가장 높은 대역폭 감각이며, 세계의 상태에 대한 정보의 Firehose와 이에 대처하는 방법을 제공합니다.

the state of the world and how to act on it.

비전은 가장 높은 대역폭 감각이며, 세계의 상태에 대한 정보의 Firehose와 이에 대처하는 방법을 제공합니다.

For this reason, computer scientists have been trying to give computers vision for half

이러한 이유로, 컴퓨터 과학자들은 반 세기동안 컴퓨터에게 시각을 부여하기 위해 노력해 왔으며,

a century, birthing the sub-field of computer vision.

컴퓨터 비전이라는 하위 분야를 탄생시켰습니다.

Its goal is to give computers the ability to extract high-level understanding from digital

그 목표는 컴퓨터가 디지털 이미지 및 비디오로부터 높은 수준의 이해를 추출하는 능력을 주는 것입니다.

images and videos.

그 목표는 컴퓨터가 디지털 이미지 및 비디오로부터 높은 수준의 이해를 추출하는 능력을 주는 것입니다.

As everyone with a digital camera or smartphone knows, computers are already really good at

디지털 카메라 또는 스마트 폰을 사용하는 모든 사람들이 잘 알고 있듯이,

capturing photos with incredible fidelity and detail – much better than humans in fact.

컴퓨터는 이미 놀라운 정확성과 세부 묘사로 사진을 찍는 데 능숙합니다. 사실 인간보다 훨씬 낫습니다.

But as computer vision professor Fei-Fei Li recently said, “Just like to hear is the

그러나 컴퓨터 비전 교수인 Fei-Fei Li는 최근에 "듣는 것은 귀 기울이는 것과는 같지 않듯,

not the same as to listen.

그러나 컴퓨터 비전 교수인 Fei-Fei Li는 최근에 "듣는 것은 귀 기울이는 것과는 같지 않듯,

To take pictures is not the same as to see.”

사진을 찍는 것은 보는 것과 같지 않습니다. " 라고 말했습니다.

As a refresher, images on computers are most often stored as big grids of pixels.

복습을 해 보면, 컴퓨터의 이미지는 대부분 큰 픽셀의 배열로 저장됩니다.

Each pixel is defined by a color, stored as a combination of three additive primary colors:

각 픽셀은 색상으로 정의되며 빨강, 녹색, 파랑 이 세 가지 기본 원색의 조합으로 저장됩니다.

red, green and blue.

각 픽셀은 색상으로 정의되며 빨강, 녹색, 파랑 이 세 가지 기본 원색의 조합으로 저장됩니다.

By combining different intensities of these three colors, what’s called a RGB value,

이들의 다양한 강도를 결합함으로써 세 가지 색상, RGB 값이라고 하는 것으로

we can represent any color.

어떤 색깔이라도 표현할 수 있습니다.

Perhaps the simplest computer vision algorithm – and a good place to start – is to track

아마도 가장 간단한 컴퓨터 비전 알고리즘의 좋은 출발점은

a colored object, like a bright pink ball.

핑크색 볼과 같은 색상의 물체를 추적하는 것입니다.

The first thing we need to do is record the ball’s color.

우리가 해야 할 첫 번째 일은 공의 색깔을 기록하는 것 입니다.

For that, we’ll take the RGB value of the centermost pixel.

이를 위해 한가운데에 있는 픽셀의 RGB 값을 사용합니다.

With that value saved, we can give a computer program an image, and ask it to find the pixel

이 값을 저장하면 컴퓨터 프로그램에 이미지를 주고, 가장 가깝게 일치되는 색의 픽셀을 찾도록 요청합니다.

with the closest color match.

이 값을 저장하면 컴퓨터 프로그램에 이미지를 주고, 가장 가깝게 일치되는 색의 픽셀을 찾도록 요청합니다.

An algorithm like this might start in the upper right corner, and check each pixel,

이와 같은 알고리즘은 오른쪽 상단에서 시작하여 한번에 하나씩 각 픽셀을 확인하고,

one at time, calculating the difference from our target color.

우리의 목표 색과의 차이를 계산합니다.

Now, having looked at every pixel, the best match is very likely a pixel from our ball.

자, 모든 픽셀을 보았을 때 가장 좋은 일치는 우리 공의 픽셀일 가능성이 큽니다.

We’re not limited to running this algorithm on a single photo; we can do it for every

우리는 이 알고리즘을 하나의 사진으로 실행하는 것에 국한되지 않습니다.

frame in a video, allowing us to track the ball over time.

비디오의 모든 프레임을 추적하여 할 수 있으며 시간의 경과에 따라 볼을 추적할 수 있습니다.

Of course, due to variations in lighting, shadows, and other effects, the ball on the

물론 조명, 그림자 및 기타 효과의 변화로 인해 확실히 필드의 공은 우리의 목표 색의 RGB값과 동일하지 않고

field is almost certainly not going to be the exact same RGB value as our target color,

물론 조명, 그림자 및 기타 효과의 변화로 인해 확실히 필드의 공은 우리의 목표 색의 RGB값과 동일하지 않고

but merely the closest match.

가장 근접한 일치값이 됩니다.

In more extreme cases, like at a game at night, the tracking might be poor.

야간 경기와 같이, 보다 극단적인 경우에는 추적하기 어려울 수 있습니다.

And if one of the team's jerseys used the same color as the ball, our algorithm would

만약 팀 유니폼 중 하나가 공과 같은 색깔이면, 알고리즘은 완전히 혼란에 빠질 것입니다.

get totally confused.

만약 팀 유니폼 중 하나가 공과 같은 색깔이면, 알고리즘은 완전히 혼란에 빠질 것입니다.

For these reasons, color marker tracking and similar algorithms are rarely used, unless

이 때문에 환경을 엄격하게 제어할 수 없는 경우, 색상 마커 추적 및 유사 알고리즘을 거의 사용하지 않습니다.

the environment can be tightly controlled.

이 때문에 환경을 엄격하게 제어할 수 없는 경우, 색상 마커 추적 및 유사 알고리즘을 거의 사용하지 않습니다.

This color tracking example was able to search pixel-by-pixel, because colors are stored

이 색상 추적 예제는 색상이 단일 픽셀 내부에 저장되므로 픽셀 단위로 검색 할 수있었습니다.

inside of single pixels.

이 색상 추적 예제는 색상이 단일 픽셀 내부에 저장되므로 픽셀 단위로 검색 할 수있었습니다.

But this approach doesn’t work for features larger than a single pixel, like edges of objects, which are inherently made up of many pixels.

그러나 이 방법은 본질적으로 많은 픽셀로 구성된 객체의 가장자리처럼, 단일 픽셀보다 큰 특징에는 작동하지 않습니다.

To identify these types of features in images, computer vision algorithms have to consider

이미지에서 이러한 유형의 특징을 식별하려면, 컴퓨터 시각 알고리즘은

small regions of pixels, called patches.

패치라고 하는 작은 픽셀 영역을 고려해야 합니다.

As an example, let’s talk about an algorithm that finds vertical edges in a scene, let’s

예를 들어, 장면에서 수직 모서리를 찾는 알고리즘에 대해 이야기 해 봅시다.

say to help a drone navigate safely through a field of obstacles.

무인 항공기가 장애물밭을 피해 안전하게 항해 할 수 있도록 돕는다고 가정합시다.

To keep things simple, we’re going to convert our image into grayscale, although most algorithms

간단한 작업을 위해 대부분의 알고리즘이 색상을 처리 할 수 있지만 이미지를 회색조로 변환합니다.

can handle color.

간단한 작업을 위해 대부분의 알고리즘이 색상을 처리 할 수 있지만 이미지를 회색조로 변환합니다.

Now let’s zoom into one of these poles to see what an edge looks like up close.

기둥 중 하나를 확대하여 모서리가 가까이에서 어떻게 보이는지 봅시다.

We can easily see where the left edge of the pole starts, because there’s a change in

세로로 유지되는 픽셀의 변화 때문에 어디에서 막대의 왼쪽 모서리가 시작하는지 쉽게 보입니다.

color that persists across many pixels vertically.

세로로 유지되는 픽셀의 변화 때문에 어디에서 막대의 왼쪽 모서리가 시작하는지 쉽게 보입니다.

We can define this behavior more formally by creating a rule that says the likelihood of a pixel being a vertical edge is the magnitude of the difference in color between some pixels

우리는 픽셀이 수직 모서리가 될 가능성을 정의 할 수 있습니다. 왼쪽의 일부 픽셀과 오른쪽의 일부 픽셀 사이의 색상 차이의 크기라고 말하는 규칙에 의해서 말입니다.

to its left and some pixels to its right.

왼쪽의 일부 픽셀과 오른쪽의 일부 픽셀 사이의 색상 차이의 크기라고 말하는 규칙에 의해서 말입니다.

The bigger the color difference between these two sets of pixels, the more likely the pixel

이 두 픽셀 세트의 색상 차이가 클수록 픽셀이 모서리 위에 있을 확률이 높습니다.

이 두 픽셀 세트의 색상 차이가 클수록 픽셀이 모서리 위에 있을 확률이 높습니다.

If the color difference is small, it’s probably not an edge at all.

색상 차이가 작으면 아마 가장자리가 아닐 겁니다.

The mathematical notation for this operation looks like this – it’s called a kernel

이 연산의 수학 표기법은 보이는 것과 같습니다. 이를 커널 또는 필터라고 합니다.

이 연산의 수학 표기법은 보이는 것과 같습니다. 이를 커널 또는 필터라고 합니다.

It contains the values for a pixel-wise multiplication, the sum of which is saved into the center pixel.

그것은 픽셀 단위의 곱셈에 대한 값을 포함하며, 그 합은 중심 픽셀에 저장됩니다.

Let’s see how this works for our example pixel.

이 픽셀 예제가 어떻게 작동하는 지 살펴 보겠습니다.

I’ve gone ahead and labeled all of the pixels with their grayscale values.

모든 픽셀에 회색조 값으로 표시하는 라벨링을 했습니다.

Now, we take our kernel, and center it over our pixel of interest.

이제 우리는 커널을 가져 와서 관심있는 픽셀 위에 놓습니다.

This specifies what each pixel value underneath should be multiplied by.

이것은 곱해져야 하는 아래의 각 픽셀 값을 지정합니다.

Then, we just add up all those numbers.

그리고 나서 모든 숫자를 합산합니다.

In this example, that gives us 147.

이 예제에서는 147이 나옵니다.

That becomes our new pixel value.

그것은 우리의 새로운 픽셀 값이 됩니다.

This operation, of applying a kernel to a patch of pixels, is call a convolution.

픽셀패치에 커널을 적용하는 이 작업을 회선 (convolution)이라고 부릅니다.

Now let’s apply our kernel to another pixel.

이제 커널을 다른 픽셀에 적용해 보겠습니다.

In this case, the result is 1.

이 경우 결과는 1입니다.

In other words, it’s a very small color difference, and not an edge.

다시 말하면, 매우 작은 색상 차이의 수이기 때문에 모서리가 아닙니다.

If we apply our kernel to every pixel in the photo, the result looks like this, where the

커널을 사진의 모든 픽셀에 적용하면 결과는 다음과 같습니다.

highest pixel values are where there are strong vertical edges.

가장 높은 픽셀 값은 강한 수직 모서리가 있는 곳입니다.

Note that horizontal edges, like those platforms in the background, are almost invisible.

이러한 플랫폼과 같은 배경에서 수평 모서리는 거의 보이지 않습니다.

If we wanted to highlight those features, we’d have to use a different kernel – one

이러한 기능을 강조하고 싶다면, 수평 가장자리에 민감한 다른 커널을 사용해야 할 것입니다.

that’s sensitive to horizontal edges.

이러한 기능을 강조하고 싶다면, 수평 가장자리에 민감한 다른 커널을 사용해야 할 것입니다.

Both of these edge enhancing kernels are called Prewitt Operators, named after their inventor.

이 두 가지 가장자리 강화 커널은 프리윗 연산기라고 하며, 발명자의 이름을 따서 명명되었습니다.

These are just two examples of a huge variety of kernels, able to perform many different

이들은 다양한 이미지 변환을 수행 할 수 있는 매우 다양한 커널 중의 단지 두 가지 예입니다.

image transformations.

이들은 다양한 이미지 변환을 수행 할 수 있는 매우 다양한 커널 중의 단지 두 가지 예입니다.

For example, here’s a kernel that sharpens images.

예를 들어, 여기에 이미지의 선명하게 만드는 커널이 있습니다.

And here’s a kernel that blurs them.

그리고 그것들을 흐리게 하는 커널이 있습니다.

Kernels can also be used like little image cookie cutters that match only certain shapes.

커널은 특정 모양에만 일치하는 작은 이미지의 쿠키를 자를 수 있는 커터칼처럼 사용될 수도 있습니다.

So, our edge kernels looked for image patches with strong differences from right to left

그래서 우리의 모서리 커널은 오른쪽에서 왼쪽으로, 또는 위아래로 강한 차이가있는 이미지 패치를 찾았습니다.

or up and down.

그래서 우리의 모서리 커널은 오른쪽에서 왼쪽으로, 또는 위아래로 강한 차이가있는 이미지 패치를 찾았습니다.

But we could also make kernels that are good at finding lines, with edges on both sides.

또한 우리는 양쪽에 모서리가 있는 선을 잘 찾는 커널을 만들 수도 있습니다.

And even islands of pixels surrounded by contrasting colors.

심지어 대조되는 색으로 둘러싸인 픽셀의 섬조차도 찾을 수 있습니다.

These types of kernels can begin to characterize simple shapes.

이러한 종류의 커널은 간단한 모양을 특성화 하는 것으로 시작할 수 있습니다.

For example, on faces, the bridge of the nose tends to be brighter than the sides of the

예를 들어, 얼굴에서 콧날은 코의 측면보다 밝아지기 쉽기 때문에 선 감지 커널의 값이 높아집니다.

nose, resulting in higher values for line-sensitive kernels.

예를 들어, 얼굴에서 콧날은 코의 측면보다 밝아지기 쉽기 때문에 선 감지 커널의 값이 높아집니다.

Eyes are also distinctive – a dark circle sounded by lighter pixels – a pattern other

눈 또한 밝은 픽셀로 둘러싸인 어두운 원의 패턴으로 다른 커널이 감지할 수 있는 특성을 갖고 있습니다.

kernels are sensitive to.

눈 또한 밝은 픽셀로 둘러싸인 어두운 원의 패턴으로 다른 커널이 감지할 수 있는 특성을 갖고 있습니다.

When a computer scans through an image, most often by sliding around a search window, it

컴퓨터가 검색창 주위를 슬라이딩 하며 대부분 이미지를 스캔 할 때

can look for combinations of features indicative of a human face.

사람의 얼굴을 나타내는 기능의 조합을 찾을 수 있습니다.

Although each kernel is a weak face detector by itself, combined, they can be quite accurate.

각각의 커널은 약한 얼굴 탐지기이지만, 그 자체만으로도 매우 정확할 수 있습니다.

It’s unlikely that a bunch of face-like features will cluster together if they’re

그들이 얼굴이 아닌 경우 얼굴 찾기 기능들이 서로 뭉치지는 않을 것입니다.

그들이 얼굴이 아닌 경우 얼굴 찾기 기능들이 서로 뭉치지는 않을 것입니다.

This was the basis of an early and influential algorithm called Viola-Jones Face Detection.

이 초기의 영향력있는 알고리즘의 기초는 Viola-Jones Face Detection이라고 불립니다.

Today, the hot new algorithms on the block are Convolutional Neural Networks.

오늘날의 새롭고 유용한 알고리즘은 합성곱 신경망입니다.

We talked about neural nets last episode, if you need a primer.

만약 참고 내용이 필요하다면, 신경망에 대해 이야기한 지난 강의를 보시면 됩니다.

In short, an artificial neuron – which is the building block of a neural network – takes a series of inputs, and multiplies each by a specified weight, and then sums those values

간단히 말해, 신경 회로망의 구성 요소인 인공 신경은 일련의 입력을 받아 지정된 가중치로 곱한 다음 이 값을 모두 합산합니다.

지정된 가중치로 곱한 다음이 값을 모두 합산합니다.

This should sound vaguely familiar, because it’s a lot like a convolution.

이는 회선과 비슷하기 때문에 어렴풋이 익숙하게 들릴 수 있습니다.

In fact, if we pass a neuron 2D pixel data, rather than a one-dimensional list of inputs,

실제로 입력의 1차원 목록이 아닌 신경 2D 픽셀 데이터를 전달하면, 이는 마치 회선과 같습니다.

it’s exactly like a convolution.

실제로 입력의 1차원 목록이 아닌 신경 2D 픽셀 데이터를 전달하면, 이는 마치 회선과 같습니다.

The input weights are equivalent to kernel values, but unlike a predefined kernel, neural

입력 가중치는 커널 값과 같습니다. 그러나 미리 정의 된 커널과 달리

networks can learn their own useful kernels that are able to recognize interesting features

신경망은 이미지에서 흥미로운 기능을 인식 할 수 있는 자체 커널을 학습할 수 있습니다.

신경망은 이미지에서 흥미로운 기능을 인식 할 수 있는 자체 커널을 학습할 수 있습니다.

Convolutional Neural Networks use banks of these neurons to process image data, each

합성곱 신경망은 이미지 데이터를 처리하기 위해 이 뉴런 뱅크를 사용하며,

outputting a new image, essentially digested by different learned kernels.

각 이미지는 서로 다른 학습 커널에 의해 소화되는 새로운 이미지를 출력합니다.

These outputs are then processed by subsequent layers of neurons, allowing for convolutions

이 출력은 이후 얽히고, 얽히고 얽힌 후속 층에 의해 다시 진행됩니다.

on convolutions on convolutions.

이 출력은 이후 얽히고, 얽히고 얽힌 후속 층에 의해 다시 진행됩니다.

The very first convolutional layer might find things like edges, as that’s what a single

이미 설명했지만 첫 번째 회선 층은 하나의 회선에서 인식할 수있는 가장자리 같은 것을 찾을 수 있습니다.

convolution can recognize, as we’ve already discussed.

이미 설명했지만 첫 번째 회선 층은 하나의 회선에서 인식할 수있는 가장자리 같은 것을 찾을 수 있습니다.

The next layer might have neurons that convolve on those edge features to recognize simple

다음 층에는 모퉁이 같은 단순한 모양을 인식하기 위해 이런 가장자리 기능과 결합하는 뉴런을 가질 수 있습니다.

shapes, comprised of edges, like corners.

다음 층에는 모퉁이 같은 단순한 모양을 인식하기 위해 이런 가장자리 기능과 결합하는 뉴런을 가질 수 있습니다.

A layer beyond that might convolve on those corner features, and contain neurons that

그 너머의 레이어는 모퉁이의 특징을 모으고

can recognize simple objects, like mouths and eyebrows.

입과 눈썹 같은 단순한 대상을 인식할 수 있는 뉴런을 포함합니다.

And this keeps going, building up in complexity, until there’s a layer that does a convolution

눈, 귀, 입, 코, 9 야드 전체를 감싸는 단계의 층이 있을 때까지 계속 복잡해집니다.

that puts it together: eyes, ears, mouth, nose, the whole nine yards, and says “ah

눈, 귀, 입, 코, 9 야드 전체를 감싸는 단계의 층이 있을 때까지 계속 복잡해집니다.

ha, it’s a face!”

그리고 말합니다 "아하, 얼굴입니다! "

Convolutional neural networks aren’t required to be many layers deep, but they usually are,

합성곱 신경망은 많은 깊이의 층이 필요하진 않지만 대개는 복잡한 사물과 장면을 인식하기 위해 존재합니다.

in order to recognize complex objects and scenes.

합성곱 신경망은 많은 깊이의 층이 필요하진 않지만 대개는 복잡한 사물과 장면을 인식하기 위해 존재합니다.

That’s why the technique is considered deep learning.

이 기술이 딥러닝으로 간주되는 이유입니다.

Both Viola-Jones and Convolutional Neural Networks can be applied to many image recognition

Viola-Jones 와 합성곱 신경망 모두 얼굴 인식을 넘어 수많은 이미지 인식 문제에 적용될 수 있습니다.

problems, beyond faces, like recognizing handwritten text, spotting tumors in CT scans and monitoring

얼굴 인식을 넘어서 손으로 쓴 텍스트 인식, CT 스캔에서 종양을 발견하고,

traffic flow on roads.

도로의 교통 흐름을 모니터링 하는 등..

But we’re going to stick with faces.

이 강의에서는 얼굴 인식의 예로만 진행하겠습니다.

Regardless of what algorithm was used, once we’ve isolated a face in a photo, we can

사용된 알고리즘에 상관없이 한 번 사진 속의 얼굴을 분리하기만 하면,

apply more specialized computer vision algorithms to pinpoint facial landmarks, like the tip of the nose and corners of the mouth.

보다 전문화 된 컴퓨터 비전 알고리즘을 적용하여 코의 끝과 입가와 같은 얼굴 표식을 정확히 찾아 낼 수 있습니다.

This data can be used for determining things like if the eyes are open, which is pretty

이 데이터는 눈이 열려 있는지와 같은 것을 결정하는 데 사용될 수 있습니다.

easy once you have the landmarks – it’s just the distance between points.

일단 랜드마크가 있으면 쉽게 결정할 수 있습니다. 그것은 점 사이의 거리에 불과합니다.

We can also track the position of the eyebrows; their relative position to the eyes can be an indicator of surprise, or delight.

우리는 또한 눈썹의 위치를 추적 할 수 있습니다. 눈에 대한 상대적인 위치는 놀람 또는 기쁨의 지표가 될 수 있습니다.

Smiles are also pretty straightforward to detect based on the shape of mouth landmarks.

미소는 또한 입 주변의 모양을 기반으로 탐지하는 것이 매우 간단합니다.

All of this information can be interpreted by emotion recognition algorithms, giving

이 모든 정보는 감정 인식 알고리즘에 의해 해석 될 수 있습니다.

computers the ability to infer when you’re happy, sad, frustrated, confused and so on.

컴퓨터는 여러분이 행복하고 슬프고 좌절하며 혼란스러울 때 추론할 수 있습니다.

In turn, that could allow computers to intelligently adapt their behavior... maybe offer tips when

그 결과로 컴퓨터가 지능적으로 그들의 행동을 개조할 수 있게 되었습니다.

you’re confused, and not ask to install updates when you’re frustrated.

아마 여러분이 혼란 스러울 때 유용한 정보를 제공하고, 좌절 할 때 업데이트를 설치하라고 묻지 않을 것입니다.

This is just one example of how vision can give computers the ability to be context sensitive,

이는 시각이 컴퓨터에게 상황에 민감한, 즉 주변 환경을 인식 할 수 있는 능력을 주는 방법의 한 예일뿐입니다.

that is, aware of their surroundings.

즉, 주변 환경을 인식합니다.

And not just the physical surroundings – like if you're at work or on a train – but also

여러분이 직장에 있거나 기차를 탔을 때와 같은 물리적 환경 뿐만 아니라,

your social surroundings – like if you’re in a formal business meeting versus a friend’s

공식적인 비즈니스 미팅과 친구의 생일 파티와 마찬가지로 사회적인 환경 또한 인식합니다.

birthday party.

공식적인 비즈니스 미팅과 친구의 생일 파티와 마찬가지로 사회적인 환경 또한 인식합니다.

You behave differently in those surroundings, and so should computing devices, if they’re smart.

여러분이 다른 환경에서 다르게 행동하듯이, 컴퓨터 장치가 똑똑하다면 그또한 그렇게 해야 합니다.

Facial landmarks also capture the geometry of your face, like the distance between your

얼굴 표식은 또한 눈 사이의 거리와 이마 높이와 같은 얼굴의 기하학적 모양을 캡처합니다.

eyes and the height of your forehead.

얼굴 표식은 또한 눈 사이의 거리와 이마 높이와 같은 얼굴의 기하학적 모양을 캡처합니다.

This is one form of biometric data, and it allows computers with cameras to recognize

이것은 생체 인식 데이터의 한 형태이며, 카메라가 있는 컴퓨터에서 사용자를 인식 할 수 있습니다.

이것은 생체 인식 데이터의 한 형태이며, 카메라가 있는 컴퓨터에서 사용자를 인식 할 수 있습니다.

Whether it’s your smartphone automatically unlocking itself when it sees you, or governments

여러분의 얼굴을 보면 스마트 폰이 자동으로 스스로 잠금해제를 하거나,

tracking people using CCTV cameras, the applications of face recognition seem limitless.

정부가 CCTV 카메라를 사용해 사람을 추적할 때, 얼굴 인식 응용 프로그램은 무한한 것처럼 보입니다.

There have also been recent breakthroughs in landmark tracking for hands and whole bodies,

손과 몸 전체에 대한 최근의 획기적인 발전이 있었으며,

giving computers the ability to interpret a user’s body language, and what hand gestures

사용자의 신체언어와 인터넷에 연결된 전자레인지에 몹시 흔드는 손짓을 해석할 수 있는 기능을 주었습니다.

they’re frantically waving at their internet connected microwave.

사용자의 신체언어와 인터넷에 연결된 전자레인지에 몹시 흔드는 손짓을 해석할 수 있는 기능을 주었습니다.

As we’ve talked about many times in this series, abstraction is the key to building complex systems, and the same is true in computer vision.

강의에서 여러 번 이야기했듯이, 추상화는 복잡한 시스템을 구축하는 데 핵심이며 컴퓨터 비전에서도 마찬가지입니다.

At the hardware level, you have engineers building better and better cameras, giving

하드웨어 수준에서는 엔지니어는 더 나은 카메라를 만들 수 있게 되어

computers improved sight with each passing year, which I can’t say for myself.

컴퓨터는 해가 갈수록 시력이 향상되었습니다. 저는 갈수록 시력이 나빠지지만요.

Using that camera data, you have computer vision algorithms crunching pixels to find things like faces and hands.

이 카메라 데이터를 사용하면, 얼굴과 손 같은 것을 찾기 위해 픽셀을 처리하는 컴퓨터 비전 알고리즘을 사용할 수 있습니다.

And then, using output from those algorithms, you have even more specialized algorithms

그리고 그 알고리즘의 출력을 사용하여, 손짓이나 표정을 해석하는 더욱 특별한 알고리즘을 사용할 수 있습니다.

for interpreting things like user facial expression and hand gestures.

그리고 그 알고리즘의 출력을 사용하여, 손짓이나 표정을 해석하는 더욱 특별한 알고리즘을 사용할 수 있습니다.

On top of that, there are people building novel interactive experiences, like smart

그 밖에 손짓과 감정에 반응하는 스마트TV 및 지능형 학습 시스템과 같은 새로운 대화형 경험을 만드는 사람들이 있습니다.

TVs and intelligent tutoring systems, that respond to hand gestures and emotion.

그 밖에 손짓과 감정에 반응하는 스마트TV 및 지능형 학습 시스템과 같은 새로운 대화형 경험을 만드는 사람들이 있습니다.

Each of these levels are active areas of research, with breakthroughs happening every year.

이 각각의 계층은 매년 진행되는 혁신적인 연구 활동의 영역입니다.

And that’s just the tip of the iceberg.

그리고 그것은 단지 빙산의 일각에 불과합니다.

Today, computer vision is everywhere – whether it’s barcodes being scanned at stores, self-driving cars waiting at red lights, or snapchat filters superimposing mustaches.

오늘날 컴퓨터 비전은 상점에서 스캔되는 바코드, 빨간색 표시등이 켜지는 자가 운전용 자동차, 또는 콧수염을 겹치게 하는 스냅챗 필터와 같은 모든 곳에서 볼 수 있습니다.

And, the most exciting thing is that computer scientists are really just getting started,

가장 흥미 진진한 것은 컴퓨터 과학자들은 이제 막 시작했다는 점입니다.

enabled by recent advances in computing, like super fast GPUs.

이는 초고속 GPU와 같은 컴퓨팅의 최근 발전으로 가능해졌습니다.

Computers with human-like ability to see is going to totally change how we interact with them.

인간과 비슷한 시각적 능력을 가진 컴퓨터는 우리가 그들과 상호 작용하는 방식을 완전히 바꿀 것입니다.

Of course, it’d also be nice if they could hear and speak, which we’ll discuss next

물론 그들이 듣고 말 할 수 있다면 좋을 것입니다. 이 주제는 다음 주에 토론해 볼 것입니다.

물론 그들이 듣고 말 할 수 있다면 좋을 것입니다. 이 주제는 다음 주에 토론해 볼 것입니다.

I’ll see you then.

그때 만나요.

Similar videos:

Computer Networks: Crash Course Computer Science #28
CrashCourse
778.8K views 14.8K likes 281 dislikes 13 Sep 201771% match

The Internet: Crash Course Computer Science #29
CrashCourse
458K views 9.4K likes 163 dislikes 20 Sep 201757% match

Cybersecurity: Crash Course Computer Science #31
CrashCourse
696.6K views 12.7K likes 280 dislikes 11 Oct 201757% match

Compression: Crash Course Computer Science #21
CrashCourse
340.5K views 9.2K likes 128 dislikes 26 Jul 201757% match

Crash Course Computer Science Preview
CrashCourse
2.3M views 38.9K likes 619 dislikes 15 Feb 201757% match

Machine Learning & Artificial Intelligence: Crash Course Computer Science #34
CrashCourse
684.8K views 15.5K likes 235 dislikes 01 Nov 201735% match

How Computers Calculate - the ALU: Crash Course Computer Science #5
CrashCourse
1.3M views 24.2K likes 393 dislikes 22 Mar 201728% match

Boolean Logic & Logic Gates: Crash Course Computer Science #3
CrashCourse
1.9M views 37.3K likes 674 dislikes 08 Mar 201728% match

Instructions & Programs: Crash Course Computer Science #8
CrashCourse
640.4K views 12.2K likes 140 dislikes 12 Apr 201726% match

Crash Course History of Science Preview
CrashCourse
646.1K views 10.7K likes 98 dislikes 19 Mar 201825% match

Plato and Aristotle: Crash Course History of Science #3
CrashCourse
1.1M views 20.1K likes 498 dislikes 16 Apr 201825% match

Intro to History of Science: Crash Course History of Science #1
CrashCourse
802.2K views 19.5K likes 390 dislikes 26 Mar 201825% match

Representing Numbers and Letters with Binary: Crash Course Computer Science #4
CrashCourse
1.2M views 24.5K likes 408 dislikes 15 Mar 201724% match

Operating Systems: Crash Course Computer Science #18
CrashCourse
877K views 16.1K likes 513 dislikes 28 Jun 201724% match

Data Structures: Crash Course Computer Science #14
CrashCourse
710.1K views 13.9K likes 223 dislikes 31 May 201724% match

Roman Engineering: Crash Course History of Science #6
CrashCourse
679.6K views 12.9K likes 494 dislikes 07 May 201824% match

Early Computing: Crash Course Computer Science #1
CrashCourse
2.6M views 51.5K likes 1K dislikes 22 Feb 201724% match

Intro to Algorithms: Crash Course Computer Science #13
CrashCourse
1.3M views 23.7K likes 550 dislikes 24 May 201724% match

The First Programming Languages: Crash Course Computer Science #11
CrashCourse
752.7K views 15.1K likes 298 dislikes 10 May 201724% match

India: Crash Course History of Science #4
CrashCourse
1.4M views 35.9K likes 1.2K dislikes 25 Apr 201823% match

Deep Time: Crash Course Astronomy #45
CrashCourse
2M views 35.3K likes 751 dislikes 14 Jan 201623% match

Electronic Computing: Crash Course Computer Science #2
CrashCourse
1.4M views 26.5K likes 410 dislikes 01 Mar 201723% match

Torque: Crash Course Physics #12
CrashCourse
846.6K views 12.1K likes 400 dislikes 16 Jun 201622% match

The Medieval Islamicate World: Crash Course History of Science #7
CrashCourse
843.6K views 23.4K likes 789 dislikes 14 May 201822% match

Registers and RAM: Crash Course Computer Science #6
CrashCourse
1.3M views 29K likes 403 dislikes 29 Mar 201722% match

Electric Fields: Crash Course Physics #26
CrashCourse
1.1M views 12.3K likes 606 dislikes 07 Oct 201622% match

Karl Popper, Science, & Pseudoscience: Crash Course Philosophy #8
CrashCourse
1.9M views 38.3K likes 501 dislikes 28 Mar 201622% match

Contractarianism: Crash Course Philosophy #37
CrashCourse
1.2M views 20.8K likes 326 dislikes 28 Nov 201621% match

🍌 What is Geography? Crash Course Geography #1
CrashCourse
338.7K views 10.3K likes 242 dislikes 30 Nov 202021% match

Crash Course Geography Preview
CrashCourse
226.3K views 9K likes 75 dislikes 17 Nov 202021% match

Settings Privacy About Contact Donate