패턴 인식
더 많은 작업
- Pattern Recognition; 패턴 인식
- 데이터에서 규칙성(패턴)을 찾아 입력을 정해진 범주로 분류하거나 구조를 알아내는 기술
패턴 인식(Pattern Recognition)은 이미지, 소리, 글, 센서 신호 같은 데이터에서 특징을 뽑아 그 데이터가 어떤 부류(클래스)에 속하는지 판단하는 기술과 학문 분야다. 손글씨 숫자를 0~9 중 하나로 읽기, 음성을 단어로 받아 적기, 이메일을 스팸과 정상으로 가르기, X선 영상에서 병변 찾기, 지문과 얼굴로 사람 확인하기가 모두 패턴 인식 문제다. 사람이 무심코 하는 '알아보기'를 컴퓨터로 옮기는 일이라고 할 수 있다.
패턴 인식은 통계학과 공학(신호 처리)에서 출발했고, 오늘날은 기계 학습과 거의 겹치는 분야가 되었다. 정확히 일치하는 문자열을 찾는 패턴 매칭(예: 정규 표현식)과 달리, 패턴 인식은 잡음과 변형이 있는 입력에 대해 통계적으로 가장 그럴듯한 답을 낸다.
| 단계 | 하는 일 | 예(손글씨 숫자 인식) |
|---|---|---|
| 데이터 획득 | 센서로 신호나 이미지를 얻음 | 스캐너로 우편번호 칸 촬영 |
| 전처리 | 잡음 제거, 정규화, 분할 | 숫자 하나씩 잘라 크기와 기울기를 맞춤 |
| 특징 추출 | 분류에 쓸 정보를 수치 벡터로 만듦 | 획 방향, 화소 분포, 또는 신경망이 학습한 특징 |
| 분류(또는 회귀·구조 추정) | 특징 벡터를 클래스에 대응 | 0~9 중 하나로 판정 |
| 후처리 | 문맥과 규칙으로 결과를 보정 | 우편번호 사전과 대조 |
고전적인 패턴 인식에서는 좋은 특징을 사람이 설계하는 일(특징 공학)이 성능을 좌우했다. 딥 러닝은 특징 추출과 분류를 하나의 신경망으로 함께 학습해 이 단계를 자동화했다.
| 접근법 | 원리 | 대표 기법 |
|---|---|---|
| 통계적 패턴 인식 | 패턴을 특징 공간의 점으로 보고, 클래스별 확률 분포나 결정 경계를 데이터에서 추정 | 베이즈 결정 이론, 판별 분석, 나이브 베이즈, K-최근접 이웃, 서포트 벡터 머신, 로지스틱 회귀 |
| 구문적(구조적) 패턴 인식 | 패턴을 기본 요소(획, 선분)의 조합으로 보고, 형식 문법이나 그래프로 구조를 기술해 맞는지 판정 | 패턴 문법, 파스 트리, 그래프 정합 |
| 템플릿 정합 | 미리 저장한 견본과의 유사도로 판정 | 상관 계수, 유클리드 거리, 동적 시간 정합(DTW) |
| 신경망 | 여러 층의 인공 뉴런이 특징과 결정 경계를 함께 학습 | 퍼셉트론, 멀티 레이어 퍼셉트론, 합성곱 신경망, RNN, 트랜스포머 |
학습 방식으로 나누면 정답 꼬리표가 있는 데이터로 분류기를 학습하는 지도 학습, 꼬리표 없이 데이터의 묶음을 찾는 비지도 학습(군집화, 군집 분석), 둘을 섞는 준지도 학습이 있다. 시간에 따라 이어지는 데이터에는 은닉 마르코프 모델 같은 순차 모델을 쓴다. 데이터에서 벗어난 드문 패턴을 찾는 일은 이상 탐지라는 별도 문제로 다룬다.
패턴 인식과 기계 학습은 같은 문제를 다른 전통에서 바라본 것에 가깝다. 패턴 인식은 공학 쪽에서 신호 획득, 전처리, 특징 추출까지 포함한 '인식 시스템 전체'를 강조했고, 기계 학습은 컴퓨터 과학 쪽에서 데이터로부터 일반화하는 학습 알고리즘 자체에 초점을 두었다. 크리스토퍼 비숍의 교과서 제목 『패턴 인식과 기계 학습』(Pattern Recognition and Machine Learning, 2006)처럼 두 이름을 함께 쓰는 경우도 많다. 데이터베이스에서 쓸모 있는 지식을 찾는 데이터 마이닝은 비지도 기법과 업무 활용에 더 무게를 둔다.
컴퓨터 비전 분야의 대표 학술대회 이름이 CVPR(Conference on Computer Vision and Pattern Recognition)인 것에서 보듯, 영상 인식 분야에서는 지금도 '패턴 인식'이라는 말이 널리 쓰인다.
| 연도 | 사건 |
|---|---|
| 1936 | 로널드 피셔가 붓꽃 데이터로 선형 판별 분석을 제시. 첫 패턴 분류기로 꼽힌다 |
| 1950년대 | 프랭크 로젠블랫의 퍼셉트론 등 학습하는 분류 기계 연구 |
| 1960년대 | 문자 인식·음성 인식을 목표로 통계적 결정 이론과 특징 추출 연구가 본격화 |
| 1973 | 리처드 두다와 피터 하트가 교과서 『패턴 분류와 장면 분석』(Pattern Classification and Scene Analysis)을 펴냄 |
| 1970년대 | 푸킹순(K. S. Fu) 등이 형식 문법으로 패턴 구조를 기술하는 구문적 패턴 인식을 정립 |
| 1978 | 국제패턴인식협회(IAPR)가 공식 출범[1] |
| 1990년대 | 서포트 벡터 머신, 신경망 기반 손글씨 인식이 실용화 |
| 2012년 이후 | 딥 러닝이 영상·음성 인식에서 기존 특징 공학 기반 방법을 크게 앞서며 주류가 됨 |
일상에서는 스마트폰 화면의 점 9개(3×3)를 이어 그리는 잠금 방식을 '패턴 인식' 또는 '패턴 잠금'이라고 부르기도 한다. 위의 기술 분야와는 관계가 없는 이름이다. 점을 중복 없이 4~9개 잇되, 이미 지나지 않은 점을 건너뛸 수 없다는 안드로이드 규칙을 따르면 가능한 패턴은 389,112가지다. 네 자리 숫자 비밀번호(1만 가지)보다 경우의 수는 많지만, 사람이 실제로 고르는 패턴은 그리기 쉬운 일부 모양에 몰리는 경향이 있어 실제 안전성은 경우의 수보다 낮다고 알려져 있다.
- Richard O. Duda, Peter E. Hart, David G. Stork, 《Pattern Classification》 2판, Wiley, 2000.
- Christopher M. Bishop, 《Pattern Recognition and Machine Learning》, Springer, 2006.
- Ronald A. Fisher, 〈The Use of Multiple Measurements in Taxonomic Problems〉, Annals of Eugenics 7(2), 1936.