패턴 인식

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.

1. 개요

패턴 인식은 컴퓨터 알고리즘을 사용하여 데이터의 규칙성을 자동으로 찾아 데이터를 분류하는 기술 분야이다. 지도 학습, 비지도 학습, 준지도 학습 등 다양한 학습 절차를 통해 데이터를 분석하며, 특징 추출, 모델 학습, 패턴 분류 및 예측 등의 과정을 거친다. 주요 알고리즘으로는 베이지안 네트워크, k-평균 군집화, 선형 판별 분석 등이 있으며, 음성 인식, 영상 인식, 생체 인증, 의료 진단 등 다양한 분야에 응용된다.

더 읽어볼만한 페이지

패턴 인식 - 생체인증
생체인증은 개인의 신체적 또는 행동적 특징을 활용하여 본인 여부를 확인하는 기술이며, 지문, 홍채, 얼굴 등 다양한 생체 정보를 활용하여 출입 통제, 기기 잠금 해제 등 다양한 분야에서 사용되지만, 위조 및 변조, 프라이버시 침해 등의 윤리적 문제와 보안 문제도 가지고 있다.
형식과학 - 통계학
통계학은 데이터를 수집, 분석, 해석하여 추론과 예측을 수행하는 학문으로, 기술 통계와 추론 통계를 통해 데이터를 요약, 설명하고 모집단의 특성을 추론하며, 다양한 분야에서 의사결정 도구로 활용된다.
형식과학 - 컴퓨터 과학
컴퓨터 과학은 컴퓨터와 관련된 현상을 연구하는 학문으로, 계산 이론, 하드웨어 및 소프트웨어 설계, 문제 해결 등을 포괄하며, 수학, 공학 등 여러 분야와 융합하여 발전해 왔다.
분류 알고리즘 - 인공 신경망
분류 알고리즘 - 퍼셉트론
퍼셉트론은 프랭크 로젠블랫이 고안한 인공신경망 모델로, 입력 벡터에 가중치를 곱하고 편향을 더한 값을 활성화 함수에 통과시켜 이진 분류를 수행하는 선형 분류기 학습 알고리즘이며, 초기 신경망 연구의 중요한 모델로서 역사적 의미를 가진다.

패턴 인식
지도 정보
기본 정보
분야	공학 컴퓨터 과학 인공지능 기계 학습 통계학
목표
주요 목표	데이터에서 패턴과 규칙성을 자동 인식
적용 분야	영상 처리 음성 인식 텍스트 분석 의료 영상 분석 로봇 공학 생물 정보학
관련 분야
관련 분야	기계 학습 데이터 마이닝 통계적 학습 이론 인공 신경망 데이터 과학
문제 유형
주요 문제 유형	분류 클러스터링 회귀 이상 감지 연관 규칙 학습 강화 학습 구조적 예측 특징 공학 표현 학습 온라인 학습 준지도 학습 비지도 학습 순위 학습 문법 학습
방법론
주요 방법론	결정 트리 앙상블 k-NN 선형 회귀 나이브 베이즈 신경망 로지스틱 회귀 퍼셉트론 관련 벡터 머신 SVM 계층적 클러스터링 k-평균 EM DBSCAN OPTICS 평균 이동 PCA t-SNE 그래프 모델 베이즈 네트워크 CRF HMM LOF
신경망
주요 신경망 구조	오토인코더 딥 러닝 DeepDream 다층 퍼셉트론 RNN LSTM GRU 제한된 볼츠만 머신 SOM CNN
강화 학습
주요 강화 학습 방법	TD 학습 Q-러닝 SARSA
이론
주요 이론	편향-분산 트레이드오프 계산 학습 이론 경험적 위험 최소화 오캄 학습 PAC 학습 통계적 학습 이론 VC 이론
기타 정보
학회 및 논문지	NIPS ICML ML JMLR ArXiv:cs.LG
평가 지표	통계학 및 기계 학습의 평가 지표

2. 역사

패턴 인식의 현대적 정의는 다음과 같다.^[4]

패턴 인식은 학습 절차의 유형에 따라 지도 학습, 비지도 학습, 준지도 학습으로 분류된다. 지도 학습은 올바른 출력으로 레이블이 지정된 훈련 집합이 제공된다고 가정하고, 훈련 데이터에서 최대한 잘 수행하고 새로운 데이터에 대해 최대한 잘 일반화하는 모델을 생성한다. 비지도 학습은 레이블이 지정되지 않은 훈련 데이터를 가정하고 데이터의 고유한 패턴을 찾아 새로운 데이터 인스턴스에 대한 올바른 출력 값을 결정한다.^[5] 준지도 학습은 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 조합하여 사용한다.

비지도 학습은 클러스터링이라고도 불리며, 훈련 데이터 없이 내재된 유사성을 기반으로 입력 데이터를 클러스터로 그룹화한다.

입력 데이터는 '인스턴스'라고 하며, 벡터로 표현된다. 특징 벡터는 다차원 공간에서 점으로 볼 수 있으며, 벡터 공간에서 벡터를 조작하는 방법을 적용할 수 있다. 특징은 범주형, 서열형, 정수 값, 실수 값 데이터 등이 있다.

패턴 인식에는 음성 인식, 광학 문자 인식(OCR), 전문 검색 시스템 등의 기술이 포함된다.

인간의 뇌는 패턴 인식을 자연스럽게 수행하지만, 컴퓨터에서 구현하려면 정확도와 속도 면에서 어려움이 따른다.

2. 1. 초기 역사

1950년대 후반, 프랭크 로젠블랫의 퍼셉트론은 초기 패턴 인식 연구의 중요한 이정표가 되었다. 1960년대에는 통계적 패턴 인식 방법론이 발전하기 시작했다. 초기에는 주로 규칙 기반 시스템(Rule-Based System)이 사용되었으나, 한계에 직면하게 되었다.

2. 2. 발전 과정

패턴 인식은 1980년대 신경망(뉴럴 네트워크) 연구가 다시 활발해지면서 새로운 전기를 맞았다. 1990년대에는 서포트 벡터 머신(SVM)과 같은 새로운 기계 학습 알고리즘이 등장하여 패턴 인식 성능을 크게 향상시켰다. 2000년대 이후, 빅데이터와 컴퓨팅 파워의 발전으로 딥러닝이 패턴 인식 분야의 핵심 기술로 부상했다.

최근에는 "인식이란 결국 어떤 클래스에 분류되는가 하는 분류 문제로 귀결될 수 있다"는 연구가 인공 지능 및 통계 연구와 융합하여 큰 성과를 거두고 있다. 분류기로는 비규칙 기반의 뉴럴 네트워크, 서포트 벡터 머신(SVM), k-최근접 이웃 분류기, 베이즈 분류 등을 사용하며, 방대한 데이터로부터 기계 학습에 의해 분류 매개변수를 구성하는 방법이 주류이다.

2. 3. 한국에서의 패턴 인식 연구

패턴 인식 연구는 대한민국에서 1980년대부터 대학과 연구소를 중심으로 시작되었다.^[4] 1990년대에는 음성 인식, 문자 인식, 영상 처리 등 다양한 응용 분야에서 활발하게 진행되었다.^[4] 2000년대 이후, 딥러닝 기술의 발전과 함께 패턴 인식 기술은 더욱 고도화되었으며, 다양한 산업 분야에 적용되고 있다.^[4] 특히, 삼성, LG 등 대기업과 네이버, 카카오 등 IT 기업들이 패턴 인식 기술 개발을 주도하고 있다.^[4]

3. 패턴 인식의 원리

패턴 인식은 컴퓨터 알고리즘을 사용하여 데이터의 규칙성을 자동으로 발견하고, 이러한 규칙성을 바탕으로 데이터를 분류하는 등의 작업을 수행하는 분야이다.^[4]

패턴 인식은 일반적으로 다음과 같은 단계를 거친다.

단계	설명
데이터 수집 및 전처리	센서, 카메라, 마이크 등 다양한 장치를 통해 데이터를 수집하고, 노이즈 제거, 정규화 등 전처리 과정을 거쳐 분석에 적합한 형태로 변환한다.
특징 추출	전처리된 데이터에서 패턴을 구별하는 데 유용한 특징(Feature)을 추출한다. 특징은 데이터의 특성을 나타내는 수치 값으로 표현될 수 있다. (예: 이미지의 색상, 모양, 텍스트의 단어 빈도 등)
모델 학습	추출된 특징을 바탕으로 패턴을 분류하거나 예측하는 모델을 학습시킨다. 지도 학습, 비지도 학습, 준지도 학습 등 다양한 학습 방법이 사용될 수 있다.
패턴 분류 및 예측	학습된 모델을 사용하여 새로운 데이터의 패턴을 분류하거나 예측한다.

많은 패턴 인식 알고리즘은 ''확률적''이며, 통계적 추론을 사용하여 주어진 인스턴스(데이터 조각)에 대한 최상의 레이블(분류 결과)을 찾는다.^[8] 확률적 알고리즘은 "최상의" 레이블뿐만 아니라 해당 레이블로 인스턴스가 설명될 확률도 함께 출력한다. 분류와 같이 가능한 레이블의 수가 적은 경우, 모든 가능한 레이블의 확률을 출력할 수도 있다.

확률적 알고리즘은 비확률적 알고리즘에 비해 다음과 같은 장점을 가진다.

선택과 관련된 신뢰도 값을 출력한다. (확률적 알고리즘의 경우 이 값은 확률론에 수학적으로 근거한다.)
신뢰도가 낮으면 출력을 ''거부''할 수 있다.
오류 전파 문제를 부분적 또는 완전히 방지하여 더 큰 머신 러닝 작업에 효과적으로 통합될 수 있다.

패턴 인식 문제는 입력 인스턴스

\boldsymbol{x}

를 출력 레이블

y

에 매핑하는 알려지지 않은 함수

g

를 근사하는 함수

h

를 생성하는 것으로 기술할 수 있다. 훈련 데이터

\mathbf{D}

를 사용하여 함수

h

를 학습시킨다. 의사결정 이론에서는 손실 함수를 정의하여 잘못된 레이블 생성으로 인한 "손실"에 특정 값을 할당하고, 기댓값 손실을 최소화하는 함수

h

를 찾는다.

확률적 패턴 인식기는 특정 입력 인스턴스에 대해 각 가능한 출력 레이블의 확률을 추정한다. 즉,

p({\rm label}|\boldsymbol{x},\boldsymbol{\theta}) = f\left(\boldsymbol{x};\boldsymbol{\theta}\right)

형식의 함수를 추정한다. (

\boldsymbol{\theta}

는 함수의 매개변수) 판별적 접근 방식에서는 ''f''를 직접 추정하고, 생성적 접근 방식에서는 역확률

p({\boldsymbol{x}|\rm label})

를 추정하고 베이즈 정리를 사용한다.

최초의 패턴 분류기인 선형 판별 분석은 빈도주의 전통에서 개발되었다. 빈도주의적 접근 방식은 모델 매개변수가 알려지지 않았지만 객관적이라고 가정하고, 수집된 데이터에서 매개변수를 추정한다. 베이즈 통계학은 사전적 지식과 사후적 지식을 구분했던 그리스 철학에서 유래했으며, 칸트는 관찰 전 사전적 지식과 관찰로부터 얻은 경험적 지식 사이의 구분을 정의했다. 베이즈식 패턴 분류기에서 클래스 확률은 사용자가 선택할 수 있는 사전적 확률이며, 사전적 매개변수 값으로 정량화된 경험은 경험적 관찰과 가중치를 부여할 수 있다. 베이즈식 접근 방식은 주관적 확률 형태의 전문가 지식과 객관적 관찰을 융합할 수 있도록 한다.

3. 1. 데이터 수집 및 전처리

센서, 카메라, 마이크 등 다양한 장치를 통해 데이터가 수집된다. 이렇게 수집된 데이터는 노이즈 제거, 정규화 등 전처리 과정을 거쳐 분석에 적합한 형태로 변환된다.^[4] 이러한 전처리 과정은 데이터의 품질을 높이고, 패턴 인식 알고리즘의 성능을 향상시키는 데 중요한 역할을 한다.

3. 2. 특징 추출

전처리된 데이터에서 패턴을 구별하는 데 유용한 특징(Feature)을 추출한다. 특징은 데이터의 특성을 나타내는 수치 값으로 표현될 수 있다. (예: 이미지의 색상, 모양, 텍스트의 단어 빈도 등)^[4]

특징은 일반적으로 범주형(또는 명목), 서열형, 정수 값, 실수 값으로 나뉜다. 종종 범주형 및 서열형 데이터가 함께 그룹화되며, 정수 값 및 실수 값 데이터에도 마찬가지이다. 많은 알고리즘은 범주형 데이터로만 작동하며 실수 값 또는 정수 값 데이터는 그룹으로 ''이산화''되어야 한다.^[5]

특징 선택 알고리즘은 중복되거나 관련 없는 특징들을 직접 제거하려고 시도한다. 특징 선택의 복잡성은 비단조적인 특성 때문에, 총

n

개의 특징이 주어졌을 때

2^n-1

개의 모든 특징 부분 집합으로 구성된 멱집합을 탐색해야 하는 최적화 문제이다. 분기 한정 알고리즘은 이 복잡성을 줄이지만, 사용 가능한 특징 수

n

가 중간 또는 큰 값일 경우에는 다루기 어렵다.^[6]^[7]

원시 특징 벡터를 변환하는 기법('''특징 추출''')은 패턴 매칭 알고리즘을 적용하기 전에 때때로 사용된다. 특징 추출 알고리즘은 주성분 분석(PCA)과 같은 수학적 기법을 사용하여 차원이 큰 특징 벡터를 작업하기 쉽고 중복성이 적은 차원이 작은 벡터로 축소하려고 시도한다. '''특징 선택'''과 '''특징 추출'''의 차이점은 특징 추출 후의 결과 특징은 원래 특징과 다른 종류이며 쉽게 해석될 수 없을 수도 있는 반면, 특징 선택 후 남은 특징은 단순히 원래 특징의 부분 집합이라는 것이다.^[8]

3. 3. 모델 학습

추출된 특징을 바탕으로 패턴을 분류하거나 예측하는 모델을 학습시킨다. 지도 학습, 비지도 학습, 준지도 학습 등 다양한 학습 방법이 사용될 수 있다.

'''지도 학습 (Supervised Learning):''' 정답 레이블(Label)이 있는 데이터를 사용하여 모델을 학습시킨다. (예: 분류, 회귀)
'''비지도 학습 (Unsupervised Learning):''' 정답 레이블이 없는 데이터를 사용하여 데이터의 숨겨진 구조나 패턴을 찾는다. (예: 군집화, 차원 축소)
'''준지도 학습 (Semi-Supervised Learning):''' 레이블이 있는 데이터와 없는 데이터를 모두 사용하여 모델을 학습시킨다.

분류의 비지도 학습은 ''클러스터링''이라고 하며, 훈련 데이터 없이 유사성 측정을 기반으로 입력 데이터를 클러스터로 그룹화한다. 군집 생태학에서는 ''분류''라는 용어가 "클러스터링"을 의미하기도 한다.^[5]

많은 패턴 인식 알고리즘은 확률적이며, 통계적 추론을 사용하여 주어진 인스턴스에 대한 최상의 레이블을 찾는다. 확률적 알고리즘은 다음과 같은 장점을 가진다.

선택과 관련된 신뢰도 값을 출력한다.
신뢰도가 낮으면 출력을 ''거부''할 수 있다.
오류 전파 문제를 줄이는 방식으로 더 큰 기계 학습 작업에 통합될 수 있다.

확률적 패턴 인식기는 주어진 입력 인스턴스에 대해 각 가능한 출력 레이블의 확률을 추정한다. 판별적 접근 방식에서는 함수를 직접 추정하고, 생성적 접근 방식에서는 역확률을 추정하고 베이즈 정리를 사용한다.

최대 사후 확률(MAP) 추정은 훈련 데이터에 잘 맞고, 가능한 가장 간단한 모델을 찾는 최적의 값을 찾는다. 베이지안 접근 방식에서는 단일 매개변수 대신, 모든 가능한 값에 대해 통합하여 주어진 레이블의 확률을 계산한다.

3. 4. 패턴 분류 및 예측

학습된 모델을 사용하여 새로운 데이터의 패턴을 분류하거나 예측한다. 확률적 분류기는 각 클래스에 속할 확률을 출력하여 예측의 신뢰도를 나타낼 수 있다.^[5] 확률적 알고리즘은 비확률적 알고리즘에 비해 다음과 같은 장점을 갖는다.^[8]

선택과 관련된 신뢰도 값을 출력한다. 이 값은 확률론에 수학적으로 근거한다.
신뢰도가 낮으면 출력을 거부할 수 있다.
오류 전파 문제를 부분적으로 또는 완전히 방지할 수 있다.

패턴 인식은 출력 값을 생성하는 데 사용되는 학습 절차의 유형에 따라 분류된다.

지도 학습: 올바른 출력으로 레이블이 지정된 훈련 데이터 집합(훈련 집합)을 사용하여 모델을 생성한다.
비지도 학습: 레이블이 지정되지 않은 훈련 데이터를 사용하여 데이터의 고유한 패턴을 찾고, 이를 통해 새로운 데이터에 대한 올바른 출력 값을 결정한다.^[5]
준지도 학습: 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 모두 사용한다. (일반적으로 소량의 레이블이 지정된 데이터와 대량의 레이블이 지정되지 않은 데이터)

분류의 비지도 학습은 일반적으로 ''클러스터링''이라고 불린다.^[5]

패턴 인식은 컴퓨터 보조 진단(CAD) 시스템, 자동 음성 인식, 화자 인식, 텍스트 분류(예: 스팸 메일 분류), 우편 봉투의 필기 자동 인식, 자동 인간 얼굴 영상 인식 등 다양한 분야에 응용된다.^[9]^[10]

4. 주요 알고리즘

패턴 인식에 사용되는 주요 알고리즘은 다음과 같다.

베이지안 네트워크
마르코프 랜덤 필드

패턴 인식에는 음성 인식(사람의 목소리를 인식하여 명령으로 해석), 광학 문자 인식(OCR)(이미지 데이터에서 문자를 인식하여 텍스트 데이터로 변환), 전문 검색 시스템(방대한 문서 정보에서 특정 키워드를 인식) 등의 기술이 포함된다.

최근에는 "인식이란 결국 어떤 클래스에 분류되는가 하는 분류 문제로 귀결될 수 있다"는 인공 지능 및 통계 연구가 융합하여 큰 성과를 거두고 있다. 분류기로는 비규칙 기반의 뉴럴 네트워크, 서포트 벡터 머신(SVM), k-최근접 이웃 분류기, 베이즈 분류 등을 사용하며, 방대한 데이터로부터 기계 학습에 의해 분류 매개변수를 구성하는 방법이 주류이다.

4. 1. 통계적 분류 (Classification)

패턴 인식 알고리즘은 출력 레이블의 유형, 지도 학습 여부, 알고리즘의 통계적 여부에 따라 달라진다. 통계적 알고리즘은 생성적 또는 판별적으로 분류할 수 있다.

매개변수적^[23]
선형 판별 분석: 각 클래스를 가장 잘 구분하는 선형 경계를 찾는다.
2차 판별 분석: 각 클래스를 비선형 경계로 구분한다.
최대 엔트로피 분류기(로지스틱 회귀, 다항 로지스틱 회귀): 로지스틱 회귀는 이름과 달리 분류를 위한 알고리즘이다. 로지스틱 회귀는 선형 회귀 모델의 확장을 사용하여 특정 클래스에 속할 입력의 확률을 모델링한다.
비매개변수적^[24]
결정 트리, 결정 목록
커널 추정 및 k-최근접 이웃 알고리즘
나이브 베이즈 분류기: 특징들이 서로 독립이라고 가정하고 베이즈 정리를 적용한다.
신경망 (다층 퍼셉트론)
퍼셉트론
서포트 벡터 머신: 클래스 간의 마진(Margin)을 최대화하는 초평면(Hyperplane)을 찾는다.
유전자 발현 프로그래밍

4. 2. 군집화 (Clustering)

범주형 혼합 모델
계층적 군집화 (집적적 또는 분할적)
K-평균 군집화
상관 군집화
커널 주성분 분석 (커널 PCA)
비지도 학습:
다중선형 주성분 분석 (MPCA)

4. 3. 회귀 (Regression)

회귀 분석은 레이블이 연속적으로 분포되어 있는 경우를 다룬다. 주어진 입력 인스턴스에 대해 각 가능한 출력 레이블의 확률을 추정하는 것이 확률적 패턴 인식기의 목표이다.^[8]

선형 회귀: 데이터와 가장 잘 맞는 직선을 찾는다.
가우시안 과정 회귀 (크리깅): 데이터의 불확실성을 고려하여 예측한다.

4. 4. 시퀀스 레이블링 (Sequence Labeling)

은닉 마르코프 모델(HMM)은 시퀀스 데이터에 숨겨진 상태를 추론하는 데 사용된다. 조건부 랜덤 필드(CRF)는 시퀀스 데이터의 레이블 간의 관계를 고려한다.

5. 응용 분야

패턴 인식은 다양한 분야에서 활용되고 있다.

의학 과학 분야에서 패턴 인식은 컴퓨터 보조 진단(CAD) 시스템의 기반이 된다. CAD는 의사의 해석과 소견을 지원하는 절차를 설명한다.^[9]^[10]

패턴 인식 기법의 다른 전형적인 응용 분야는 자동 화자 인식, 여러 범주로 텍스트 분류(예: 스팸 또는 스팸이 아닌 이메일 메시지), 우편 봉투의 필기 자동 인식 등이 있다.^[9]^[10] 또한, 번호판 인식,^[13] 지문 분석, 얼굴 검출/인증,^[14] 음성 기반 인증^[15] 과 같은 식별 및 인증 분야, 자궁경부암 검진(Papnet),^[16] 유방 종양 또는 심장 소리^[9]^[10] 와 같은 의학 진단 분야, 그리고 다양한 항법 및 유도 시스템, 표적 인식 시스템, 형태 인식 기술 등과 같은 방위 분야에서도 활용된다.

1990년대에는 스타일러스와 오버레이를 사용하여 획, 속도, 상대적 최소값/최대값, 가속도, 압력 등의 정보를 캡처하여 신원을 확인하는 기술이 개발되었으나, 은행들은 고객 불편을 우려하여 널리 사용하지 않았다.

5. 1. 음성 인식 (Speech Recognition)

음성 인식은 음성 데이터를 분석하여 텍스트로 변환하는 기술이다. 스마트폰, 인공지능 스피커, 내비게이션 등에서 널리 사용된다.^[9] 음성 인식은 패턴 인식 기술의 응용 분야 중 하나로, 음성 데이터에서 사람의 목소리를 인식하여 명령으로 해석한다.

5. 2. 광학 문자 인식 (Optical Character Recognition, OCR)

광학 문자 인식(OCR)은 패턴 분류기 응용의 한 예이다. 광학 문자 인식은 이미지 데이터에서 문자를 인식하여 텍스트 데이터로 변환하는 기술이다.^[9]^[10]

5. 3. 영상 인식 (Image Recognition)

영상 인식은 패턴 인식의 하위 주제인 영상 분석을 활용하여, 디지털 이미지 속의 패턴을 인식하는 기술이다.^[11]^[12] 이 기술은 자동 인간 얼굴 영상 인식 등에 응용된다.^[9]^[10]

영상 인식은 다음과 같은 다양한 실제 응용 분야를 가지고 있다.

응용 분야	세부 내용
식별 및 인증	번호판 인식,^[13] 지문 분석, 얼굴 검출/인증,^[14] 음성 기반 인증^[15]
의학 진단	자궁경부암 검진(Papnet),^[16] 유방 종양 또는 심장 소리
방위	다양한 항법 및 유도 시스템, 표적 인식 시스템, 형태 인식 기술
이동성	첨단 운전자 지원 시스템, 자율 주행 자동차 기술^[17]^[18]^[19]^[20]^[21]

구체적인 예시로는 인물 얼굴 (개인, 표정 등), 도형 (선화, 입체도 등 다양한 종류), 지문, 홍채 등을 이용한 개인 인증, 제스처 인식, 수화 인식, 스케치 인식 등이 있다.

5. 4. 자연어 처리 (Natural Language Processing, NLP)

패턴 인식은 음성 데이터에서 사람의 목소리를 인식하여 명령으로 해석하는 음성 인식, 이미지 데이터에서 문자를 인식하여 텍스트 데이터로 변환하는 광학 문자 인식(OCR), 방대한 문서 정보에서 특정 키워드를 인식하여 문서 검색을 수행하는 전문 검색 시스템 등의 기술을 포함한다.

5. 5. 생체 인증 (Biometric Authentication)

지문, 홍채, 얼굴 등 생체 정보를 이용하여 개인을 식별한다.^[14] 이러한 기술은 스마트폰 잠금 해제, 출입 통제 시스템 등에 사용된다.

5. 6. 의료 진단

의학 과학 분야에서 패턴 인식은 컴퓨터 보조 진단(CAD) 시스템의 기반이 된다. CAD는 의사의 해석과 소견을 지원하는 절차를 설명한다.^[9]^[10] 패턴 인식은 영상 처리에서 많은 실제 응용 분야를 가지고 있는데, 의학 진단에는 자궁경부암 검진(Papnet),^[16] 유방 종양 또는 심장 소리 등이 있다.

참조

_[1] 논문 Pattern Recognition and Machine Learning 2007-02-20
_[2] 웹사이트 Sequence Labeling https://pubweb.eng.u[...] 2018-11-06
_[3] 서적 Mathematical logic, p. 34 Oxford University Press 2007
_[4] 서적 Pattern Recognition and Machine Learning Springer
_[5] 논문 On Determining Optimum Simple Golay Marking Transforms for Binary Image Processing 1972
_[6] 논문 An Introduction to Variable and Feature Selection http://www-vis.lbl.g[...] 2003
_[7] 논문 Feature Selection for Automatic Classification of Non-Gaussian Data 1987
_[8] 기타
_[9] 논문 Binarization and cleanup of handwritten text from carbon copy medical form images http://dl.acm.org/ci[...] 2008-03-31
_[10] 논문 Optimization of data-driven filterbank for automatic speaker verification 2020-09
_[11] 서적 Pattern classification https://books.google[...] Wiley, New York
_[12] 서적 Template Matching Techniques in Computer Vision: Theory and Practice Wiley
_[13] 웹사이트 The Automatic Number Plate Recognition Tutorial http://anpr-tutorial[...]
_[14] 웹사이트 Neural Networks for Face Recognition https://www.cs.cmu.e[...]
_[15] 논문 Speaker Verification with Short Utterances: A Review of Challenges, Trends and Opportunities https://web.archive.[...] 2018-03
_[16] 웹사이트 PAPNET For Cervical Screening http://health-asia.o[...]
_[17] 논문 Development of an Autonomous Vehicle Control Strategy Using a Single Camera and Deep Neural Networks (2018-01-0035 Technical Paper)- SAE Mobilus https://saemobilus.s[...] 2018-04-03
_[18] 논문 Neural network vehicle models for high-performance automated driving 2019-03-27
_[19] 웹사이트 How AI is paving the way for fully autonomous cars https://www.theengin[...] 2017-08-15
_[20] 논문 DeepTest: Automated Testing of Deep-Neural-Network-driven Autonomous Cars 2017-08-28
_[21] 논문 Neural Networks in Autonomous Vehicle Control 1993-04-01
_[22] 웹사이트 A-level Psychology Attention Revision - Pattern recognition | S-cool, the revision website http://www.s-cool.co[...] S-cool.co.uk
_[23] 기타
_[24] 기타

본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com