처음에는 단순히 딥러닝에 2D+깊이+시간축을 이용해야겠다고 생각했다. 그런데 최근 SLAM을 공부하고, 뇌과학 책들을 읽다 보니 결국 뇌에서 SLAM 을 수행하고 있는 것이라는 생각이 들었다. 뇌과학적으로 볼 때 깊이축과 시간축은 매우 밀접하게 연결되어 있다. 뇌과학적 원리에 기반해 컴퓨터비전 문제를 푼다면 둘 중 하나만 떼어두고 푸는 것은 어려워 보인다. 연결의 핵심은 신경세포 단위의 예측이다. 시간적으로 연속되어 있다는 정보가 없으면 예측이라는 것이 불가능하다. 뇌에서는 2D 이미지의 깊이를 예측하고 움직임을 통해 피드백을 받음으로 끊임없이 교정해 지도를 만든다. 이는 마치 공간을 중심으로 나의 위치를 예측(Localization)하는 동시에 나를 중심으로 공간의 모습을 예측(Mapping)하는 SLAM 문제와 닿아 있다는 생각이 들었다.

parse me : 언젠가 이 글에 쓰이면 좋을 것 같은 재료을 보관해 두는 영역입니다.

1. None

from : 과거의 어떤 원자적 생각이 이 생각을 만들었는지 연결하고 설명합니다.

1. ‣
   • 앞의 엔트리는 2D+깊이축(3D 공간 표현)에 관심을 가지게 된 계기다.
2. ‣
   • 앞의 엔트리는 2D+시간축(비디오)에 관심을 가지게 된 계기와 관련 생각들이 들어 있다.
3. [ba7.1_1. title: 우리의 뇌는 공간을 격자 형태로 인식한다. 뇌의 공간기억 세포를 장소 세포(Place cell)와 격자 세포(Grid cell)로 나눌 수 있다.](https://janghoo.notion.site/ba7-1_1-title-647f74b0f9da4500ad22ce1bd4bc2c14)
   • 실제로 뇌에서는 실시간 localization, mapping 을 수행한다. 장소 세포, 격자 세포가 발견된다.
4. ba7.7. title: 인공 신경망의 뉴런은 90%의 시냅스와 가지돌기를 따라 흐르는 스파이크를 전혀 모델링하지 않았다. 만약 이들이 예측 피드백 역할을 수행하는 것이 사실이라면, 현재의 뉴런 구조로 비디오를 학습하거나 3D 표현을 준지도학습하는 것이 매우 비효율적인 셈이다. 신경세포가 어떻게 예측을 수행하는지와 어떻게 피드백을 전달받는지를 밝혀내면 비지도학습, 결합 문제, 센서퓨전 문제에 새로운 패러다임이 열릴 것이다.
   • 제프 호킨스는 책 ‘천 개의 뇌’에서 신경세포가 예측을 수행한다고 주장했다.

supplementary : 어떤 새로운 생각이 이 문서에 작성된 생각을 뒷받침하는지 연결합니다.

1. None

opposite : 어떤 새로운 생각이 이 문서에 작성된 생각과 대조되는지 연결합니다.

1. None

to : 이 문서에 작성된 생각이 어떤 생각으로 발전되거나 이어지는지를 작성하는 영역입니다.

1. None