👤 익명 1

콘텐츠 제목	Introduction Of Computer Vision
피어 리뷰 결과	미통과
콘텐츠의 장점	전체적으로 큰 흐름을 설명하기 위한 한글 자료를 만들려고 한 점이 좋다.
초보 독자를 목표로 한 것은 좋다.
개선할 점
(부연 설명이 필요한 부분, 줄여야 할 부분)	- 이다/입니다 체의 혼용에 대해 통일이 필요하다.

구어체가 나쁜 것은 아니나 조금 더 정제된 문장이어야 할 필요가 있다.
한영혼용에 대해 통일이 필요하다.
문장이 길어지다보니 문장 간 호응이 맞지 않는다.
소제목이 많아 글의 구조 파악이 어려움 ⇒ 넘버링이 있으면 좋겠다.
초보가 읽기에는 생략된 부분이 많아보인다.
띄어쓰기 등이 일부 잘못된 부분이 있는 것으로 보인다. | | 이슈가 되는 부분 (저작권, 윤리적 이슈 등) | - 현재 강의 자료는 Justin Johnson의 강의자료를 그대로 가져왔음 | | 사소하지만 개선되면 좋은 부분 | - 글에서 사실, 즉 등 강조 표현은 적절하게 사용하면 좋겠다
'~의' 조사를 줄이면 더 읽기 쉬운 글이 됨
것을 줄이면 좀 더 자연스럽게 글이 읽을 수 있겠다.
사이트 url이 Introduction of Computer Vision이면 좋겠다.
이미지 크기가 웹에서 볼 때 큰 편인 것 같다. 이미지 크기를 조정하여 텍스트에 집중할 수 있으면 좋겠다. | | 느낀 점 | 글의 통일성이 부족하고, 창작의 느낌보다는 정리의 느낌이 강한 글이었습니다. 좀 더 본인만의 인사이트가 담겨있으면 좋겠습니다. |

콘텐츠 제목	Foundation of Image classification
피어 리뷰 결과	미통과
콘텐츠의 장점	많은 분량과 순차적인 내용
개선할 점
(부연 설명이 필요한 부분, 줄여야 할 부분)	이전글과 동일한 문제가 있으며, 추가적으로 다음과 같은 개선점 제안한다.

Problems에 이미지와 관련된 문제들을 나열하였는데 영어가 무슨 의미인지 모르겠다. 영어에 대한 한글도 추가하면 좋겠다.
quote나 unorder list 등의 규칙 필요해보인다. (예를 들면 데이터셋 설명 시, 갑자기 데이터셋 스펙을 나열한다. 이것보다는 여러가지 데이터셋 설명에서 줄글로 설명하는 부분이 추가적으로 있으면 좋겠다.)
distance method에서 설명이 부족하다.
하이퍼 파라미터 설명 글이 모호하다. | | 이슈가 되는 부분 (저작권, 윤리적 이슈 등) | - 현재 강의 자료는 Justin Johnson의 강의자료를 그대로 가져왔음 | | 사소하지만 개선되면 좋은 부분 | 이미지에서 출처를 밝히는 것을 좀 더 이미지 캡션에 추가하면 좋겠습니다. | | 느낀 점 | 개인 공부에는 좋은 글이라고 생각합니다. 다만 이전 글과 마찬가지로 정리글이고 코크리에 어울리는 글은 아닙니다. |

👤 익명 2

콘텐츠 제목	Introduction Of Computer Vision
피어 리뷰 결과	미통과
미통과 이유 요약 : 글의 흐름에 논리적 비약이 두드러지게 나타납니다.
콘텐츠의 장점	justin johnson 교수님 강의를 잘 요약했습니다. 한글 자료가 부족하다고 생각하는데 번역 자체의 가치도 높다고 생각합니다.
이 글의 목적을 가장 처음에 명시적으로 서술해주신 부분이 인상적입니다.
이해되지 않는 부분	없음
개선할 점
(부연 설명이 필요한 부분, 줄여야 할 부분)	1. [글의 흐름] CV 의 정의를 설명하기 위해서는 영상처리에 대한 설명이 선행되면 좋겠습니다. 딥러닝은 CV 문제를 푸는 방법 중에 하나라는 것이 언급되어야할 것 같습니다. 글의 전반적인 흐름에서 CV == DL 이라고 오해할 여지가 있어 보입니다. `ex) CV는 영상(image) 내에서 나타나는 추상적인 정보를 이해하는 학문임.` CV 와 DL 의 접점을 설명하는 것은 CV 의 청사진을 그린다기 보다는 CV 문제를 풀어내기위한 최근 동향을 설명하는 것에 가까울 것 같습니다. CV 자체의 목적에 대해 먼저 서술하고 특히 본문내에서 1970년 David Marr 가 제안한 시각적 표현 단계의 설명이 잘 엮어지면 좋겠습니다.

[글의 흐름 & 독창성] 연대별 CV 흐름을 서술한 것은 아주 좋은 접근 방법인 것 같습니다. 하지만 보다 더 중요한 점은 해당 연대에 왜 이 기술을 사용했는가? 에 대한 고찰이라고 생각합니다. 왜 1980년대에서는 edge detection 이 연구되었을까요? edge 가 중요한 정보일까요? 현재도 edge 정보를 쓰고 있을까요? 에 대한 의문이 느껴졌습니다. 모든 글이 반드시 독창적일 필요는 없지만 인용의 비중이 높아질 수록 문맥이 자연스럽지 않게 됩니다. (1시간 이상 분량의 강의를 글로 요약하면 논리적 비약이 생깁니다.) 80년대에서 90년대로 발전할 때 edge 와 segmentation 의 관계에 대해서 이해하고 작성하면 더 좋은 글이 나올 것 같습니다.
[글의 흐름] 결론이 추가되면 좋겠습니다. 저자가 글에서 강조하고 싶은 부분이 무엇인지 되돌아 보는 부분이 필요합니다. (단순 정보 전달 목적의 글은 독자의 동기를 자극하기 어려워 기억에 오래 남지 않습니다.)
[흐름에 대한 제안] 본 글은 overview 목적의 글로 설명하는 기술의 범위가 매우 넓어 위 작성한 3가지 문제로 인해 다소 문맥 이해가 어렵다고 느껴집니다. 몇 개의 큰 연대로 모으고 연대별 대표 task (ex. imagenet classification, object detection) 에 대해 해당 task 가 가지고 있는 문제는 무엇인지 설명하면 기술의 목적을 보다 잘 설명할 수 있을 것으로 보입니다. 즉, 연도 범위를 줄이고 task 설명을 추가하는 것을 추천드립니다. | | 이슈가 되는 부분 (저작권, 윤리적 이슈 등) | 강의자료 인용이 많아서 전반적으로 저작권 검토가 필요해보입니다. | | 사소하지만 개선되면 좋은 부분 | 제목 : Introduction of Computer Vision | | 느낀 점 | "이 글은 독자에게 어떤 도움을 주는가?" 를 되돌아보면,

70s : parts
80s : edge detection
90s : segmentation
00s : feature matching

이라고 외우게 되는데 주입식보다는 '왜' 라는 목적에 집중하면 좋겠습니다. Blog 목적에 "어떤 방향과 목적을 가지고 이 기술이 만들어졌는지 알아야 조금 더 컴퓨터 비전의 매력을 빠질 수 있다고 생각하기 때문입니다." 라고 표현해주신 것처럼 조금 더 방향이 잘 나타나는 글이면 좋겠습니다. |

콘텐츠 제목	Foundation of Image classification
피어 리뷰 결과	미통과
미통과 이유 요약 : 실제 정의와 상이한 정보다 다수 포함되어 있습니다. 글의 맥락 또한 다듬을 필요가 있어보입니다.
콘텐츠의 장점	- 첫 글과 마찬가지로 justin johnson 교수님의 강의를 잘 요약했습니다.

이미지 분류를 수행할 때 생기는 문제점에 대해서 잘 언급했습니다. | | 이해되지 않는 부분 | - image classification with block 에서 block 의 의미가 모호하게 느껴짐. 왜 block 으로 사용해야하는지 이해하지 못했습니다.
data driven approach 가 맥락에 맞지 않은 것 같습니다. 데이터셋 구축방법을 설명하는 것인지 모아진 label 로 data driven ML 을 수행한다는 것인지 이해가 잘 되지 않습니다. | | 개선할 점 (부연 설명이 필요한 부분, 줄여야 할 부분) | 1. image classification 의 정의 : 그룹 → 클래스 or 카테고리

semantic gap의 설명 위치가 적절하지 않아보입니다. 전후 맥락의 논리적 비약이 있습니다.
실제 image classification 을 수행할 때 카메라 기하, 조도의 변화 등 상황에 따라 어떤 문제점이 중요하게 부각되어야하는지 추가되면 좋을 것 같습니다. ex) 의료영상의 경우 촬영 각도를 굉장히 제한하는 편이므로 deformation 으로 인한 문제점이 낮아진다 등
image edge 를 이용해서 이미지 분류가 불가능하다고 작성하면 기존 알고리즘들 (harrys corner, sift) 의 성과를 부정하는 것과 같다고 느껴집니다.
data driven approach 가 맥락에 맞지 않은 것 같습니다. 데이터셋 구축방법을 설명하는 것인지 모아진 label 로 data driven ML 을 수행한다는 것인지 이해가 잘 되지 않습니다.
각 dataset 을 설명할때는 해당 dataset 의 원 논문 혹은 데이터셋 설명 페이지를 인용하는 것이 더 적절할 것 같습니다.
CIFAR10 또는 100 이 머신러닝 모델 증명에서 왜 부족한지 부연설명이 필요해보입니다. 저는 noise label 또는 class imbalance 를 개선하는 문제에서 최근 2년 이내의 논문들이 사용하는 데이터셋이라는 점에서 증명에 부족함이 없다고 생각합니다.
top 5 accuracy 를 사용하는 이유가 “이미지에서 보통 1개의 object 만 존재하지 않기 때문” 인지 확인이 필요합니다. top 5 accuracy 의 정의와 직접적인 연관이 있지 않은 것 같습니다.
갑자기 Nearest Neighbor 를 설명하는 이유를 모르겠습니다. 맥락에 맞지 않아 보입니다.
big O notation 설명 부분에서 input value 가 크다 → input size 가 크다 아닐까요? 그리고 O(n) 알고리즘은 대부분의 알고리즘과 비교할 때 매우 빠른 모델인 것 같습니다. (문제에 따라 다름)
overfitting 의 정의가 “너무 이상하게 잘된” → “test set 에서만 최고의 성능을 발휘하는” 으로 수정되면 좋겠습니다.
K-fold validation 에 대한 부연설명이 추가되면 좋겠습니다. 그림은 있는데 설명이 부족한 것 같습니다.
차원의 저주에 대한 설명이 실제 정의와 다른 것 같습니다. https://datapedia.tistory.com/15 | | 이슈가 되는 부분 (저작권, 윤리적 이슈 등) | 강의자료 인용이 많아서 전반적으로 저작권 검토가 필요해보입니다. | | 사소하지만 개선되면 좋은 부분 | - ~입니다. ~이다. 등의 혼용이 있습니다. | | 느낀 점 | 읽으면서 느낀 질문

image classification 을 왜 풀어야하나요? → advantages 를 앞으로 배치하면 좋겠습니다. |

👤 익명 3

콘텐츠 제목	Introduction Of Computer Vision
피어 리뷰 결과	미통과

글의 내용이 “EECS 498” 의 강의 자료를 사용해 해당 강의를 순서대로 정리하고 있습니다. COCRE 콘텐츠 작성 가이드에는 학습 정리용 글 등에 대해서 COCRE 콘텐츠로 인정받을 수 없음이 명시되어 있습니다.
또한, 작성하신 글 내 오타 및 띄어쓰기 등의 오류가 많아 맞춤법 검사가 필요하며, 한 번에 이해하기 힘든 어색하고 부자연스러운 흐름의 문장이 많습니다. | | 콘텐츠의 장점 | 처음으로 “Computer Vision” 및 “Deep Learning” 이라는 분야 및 기술을 접한 사람들이 읽기에 부담 없는 난이도로 구성되었습니다. 글에서 얻을 수 있는 배경 지식을 통해 향후 해당 분야를 공부하는 분들께 많은 도움이 될 것 같습니다. | | 개선할 점 (부연 설명이 필요한 부분, 줄여야 할 부분) | [맞춤법 오류]
맞춤법 및 띄어 쓰기 오류가 너무 많아 따로 적지 않았습니다. 맞춤법 검사로 확인하고 수정한 후 글을 작성해 주세요
“컴퓨터비전”/”컴퓨터 비전”, “시각데이터”/”시각 데이터” 등의 경우, 하나로 통일하여 사용 바랍니다. 글에는 서로 다른 띄어쓰기를 혼용하고 있습니다.

[글의 부자연스러운 흐름]

이해하기 힘든 어색하고 부자연스러운 흐름의 문장들이 많습니다. 대부분 적절하지 않은 조사의 사용으로 문제가 되는 것 같습니다. 아래에 몇 가지 예시를 기록했습니다.

“조금 더 컴퓨터 비전의 매력을 빠질 수” → 제안) “~ 매력에 빠질 수”
“인공시스템을 구축하는 연구를 의미합니다” → 제안) “~ 구축하는 연구 분야를 의미합니다”
“쌓일 것이고 그것들 사람이” → 제안) “~ 그것들을 사람이”
"여기서 말하는 사고방식을 주로 사람이 생각을 할 때 꼬리에 꼬리를 무는 계층적 사고방식입니다” → 이해할 수 없는 문장입니다
“시각적 데이터를 컴퓨터가 이해하기 쉽도록 기하하적 처리 시도합니다.” → 이해할 수 없는 문장입니다

[추가하거나 빼면 좋을 내용]

글의 시작 부분에, 해당 글의 목차에 대한 전반적인 설명이 있으면 좋을 것 같습니다. 예를 들면, 어떠한 주제들을 다룰 것이라는 간략한 설명이 있다면 글을 본격적으로 읽기 전에 큰 그림을 그려볼 수 있고, 본문을 읽을 때도 독자의 이해력을 높일 수 있다고 생각됩니다.
“인스타그램은 하루에 100만장 정도의 사진이 업로드됩니다”의 근거가 될 수 있는 자료가 첨부 되면 좋을 것 같습니다.

[이미지 관련]

전반적으로 그림에 대한 설명이 부족합니다. 첨부된 그림의 일부 만을 설명하고 넘어가거나, 그림을 이해하기에 충분하지 않은 설명이 많습니다. 저자가 설명하고자 하는 수준에 맞는 그림을 사용하거나, 첨부된 그림을 충분히 이해할 수 있도록 설명이 추가되어야 합니다. 입문자를 위한 글이기 때문에 이러한 사항에 대해 명확하게 하여 혼동을 주지 않도록 해야 할 것 같습니다. 아래에 몇 가지 예시를 기록했습니다.

Computer Vision 정의 항목의 바로 아래 그림(16개 묶인 이미지)을 강의 자료에서 그대로 가져와 사용했는데, 해당 부분에서 저자가 작성한 설명에 맞는 적절한 이미지를 사용하는 것이 좋아 보입니다. (예: 의료 영상 등)
Larry Roberts 그림에 대해 “기하학적 처리”라는 설명만으로는 충분치 않습니다. 자세하게는 아니더라도 해당 그림의 (a), (b), (c)가 무엇을 의미하는지에 대해 대략적인 설명이 필요할 것 같습니다.

Computer Vision과 Deep Learning 항목의 바로 아래 벤다이어그램의 윗 부분이 잘려있고, 의미를 알 수 없는 화살표가 들어가 있습니다. 화살표에 대한 해당 설명을 추가하거나 삭제하는 것이 좋을 것 같습니다. + 추가로 빨간색 부분이 무엇인지에 대한 간략한 설명이 필요합니다.
ConvNets(CNN) are everywhere 항목 내 아무 설명이 없는 그림의 나열은, 해당 글을 읽는 입문자들에게 큰 도움이 되지 못할 것 같습니다. 각각의 task가 무엇인지에 대한 간략한 설명 등이 추가되어야 합니다. | | 이슈가 되는 부분 (저작권, 윤리적 이슈 등) | - Computer Vision 정의 항목의 바로 아래 그림 (16개 묶인 이미지)의 출처(강의 자료)를 보니 해당 16개 사진에 대한 개별적인 출처가 남겨져 있습니다. 이 출처를 표기하는 것이 올바른 출처 작성이라 생각됩니다. | | 사소하지만 개선되면 좋은 부분 | | | 느낀 점 | 저자께서 시간 내어 열심히 작성해 주셨지만, EECS-498 내 강의 흐름을 그대로 따라가며 사용된 자료도 거의 동일하기 때문에 COCRE에서 원하는 창의적인 콘텐츠라고 말할 수 없을 것 같아 아쉽습니다. 강의의 전반적인 흐름과 개념들을 그대로 사용하는 것 보다는, 기존 강의에서 자세히 다루지 못했던 부분을 채우거나, 지금까지 저자의 경험을 토대로 새롭게 정보를 재구성하여 전달하는 것이 좋을 것 같습니다. |

콘텐츠 제목	Foundation of Image classification
피어 리뷰 결과	미통과

맞춤법 및 띄어 쓰기 오류가 너무 많습니다. 맞춤법 검사로 확인하고 수정한 후 글을 작성해 주세요
이해하기 힘든 어색하고 부자연스러운 흐름의 문장들이 많습니다. 대부분 적절하지 않은 조사의 사용으로 문제가 되는 것 같습니다.
전반적으로 그림에 대한 설명이 부족합니다. 첨부된 그림의 일부 만을 설명하고 넘어가거나, 그림을 이해하기에 충분하지 않은 설명이 많습니다. 저자가 설명하고자 하는 수준에 맞는 그림을 사용하거나, 첨부된 그림을 충분히 이해할 수 있도록 설명이 추가되어야 합니다. 입문자를 위한 글이기 때문에 이러한 사항에 대해 명확하게 하여 혼동을 주지 않도록 해야 할 것 같습니다. | | 이슈가 되는 부분 (저작권, 윤리적 이슈 등) | | | 사소하지만 개선되면 좋은 부분 | | | 느낀 점 | 첫 번째 컨텐츠의 느낀 점을 참고해 주세요. |