개발노트

몇몇 그래픽스 디스플레이 시스템들은 화소당 1또는 2바이트의 저장 공간만을 할당 -> 화소당 3바이트를 요구하는 컬러영상을 디스플레이할때 문제가 발생 -> colormap으로 해결할수있음

16.7만(224)컬러 -> 256(28) 또는 65,53(216)컬러로 줄이기  위한 참조 테이블

24비트 칼라 영상

640x480의 24비트 칼라영상은 압축을 하지 않을경우 921.6byte(=640x480x3)의 저장공간이 필요함(칼라라 rgb3곱해서)

24비트 칼라영상이 각 화소마다 특수효과 정보를 나타내는값(예:투명도)를 저장하기 위한 여분의 바이트를 포함하고있어서 실제로는 32비트 영상으로 저장.

공간적인 문제로 인해 많은 시스템은 화면 영상을 만들어 내는데 8비트의 칼라정보(소위 256컬러)만을 사용하도록 만들 수 있음.

->칼라 정보를 저장하기 위한 칼라 참조표사용

컬러맵은 컴퓨터 비전에서 이미지나 비디오의 픽셀값을 특정한 색상으로 매핑하는 기술입니다.

컬러맵은 보통 픽셀값을 입력으로 받아서 해당 픽셀값이 가리키는 컬러 값을 출력으로 반환합니다.

컬러맵은 다양한 방식으로 구성될 수 있으며, 선형적인 매핑, 비선형적인 매핑, 색상간의 보건, 그라데이션, 컬러 테이블등 다양한 방식으로 픽셀값을 색상으로 변환할 수 있습니다.

컬러맵의 동작과정

1. 이미지나 비디오에서 픽셀값을 추출합니다.

2. 추출한 픽셀값은 컬러맵의 입력으로 사용됩니다.

3. 컬러맵은 입력된 픽셀값에 대응하는 색상 값을 찾습니다.

4. 찾은 색상 값을 이미지나 비디오에 적용하여 시각화하거나 다른 처리를 수행합니다.

256컬러(8비트)팔레트를 이용한 비트맵 컬러영상은 일반적으로 인덱스 컬러 방식을 사용하여 표현됩니다. 인덱스 컬러는 영상의 각 픽셀에 대해 8비트(1바이트)의 인덱스 값을 할당하여 해당 인덱스 값에 대응하는 컬러를 팔레트에서 찾아 사용하는 방식입니다. 이를 통해 256개의 서로다른 컬러를 표현 할 수 있습니다.

비트맵 이미지의 픽셀은 8비트의 인덱스 값으로 표현되며, 이 인덱스 값은 0부터 255까지의 범위를 가질 수 있습니다. 이 인덱스 값은 팔레트에 저장된 실제 컬러에 대응하며, 팔레트는 256개의 컬러를 저장하는 256x3크기의 테이블로 구성됩니다. 각각의 인덱스 값은 해당 컬러를 표현하고, 이를 이용하여 비트맵 이미지를 화면에 표시하거나 저장 할 수 있습니다.

8비트 칼라영상에 대한 칼라LUT

8비트 칼라영상: 각 화소에 대해 단지 인덱스나 코드값만을 저장(값 25를 저장한 하나의 화소는 단지 칼라 참조표에서 25번째 열을 의미

영상 파일은 단지 각 RGB값을 표현하기 위해서 현재 저장된 8비트값이 각각의 인덱스가 된다는 사실만을 그 영상의 헤더 정보에 저장 

LUT를 흔히 팔레트하는 용어로 사용하기도함.

디지털 영상파일 형식

인간의 시각은 놀라움 우리는 사진 하나를 보고 인식, 추론, 예측, 상상등을 수행함

심지어 더 나아가 사진에있는 어떤 인물이 운동선수라면 선수가 어떤점수를 받을수있을지 까지도 추정가능

시각은 오감 중에서 가장 뛰어남

인간 눈의 구조와 동작

동쪽 경로(녹색)은 주로 물체의 움직임, 배쪽 경로(보라색)은 주로 물체의 부류를 알아냄

매 순간, 빠르고 정확하게 그리고 손쉽게 인식함.

인간 시각의 강점

분류, 검출, 분할, 추적, 행동 분석에 능숙함(사전 행동에 능숙)

3차원 복원 능력

빠르고 강건: 과업 전환이 매끄럽고 유기적이고 빠름

다른 지능 요소인 지식 표현, 추론,계획과 협동

인간 시각의 한계

착시가 있으며 정밀 측정에 오치가 나오고 시야가 한정됨 그리고 피로해지고 퇴화함.

why computervision?

컴퓨터 비전은 인간의 시각을 흉내 내는 컴퓨터 프로그램

시각은 인공지능의 중요한 구성요소

현재 컴퓨터 비전 기술로 인간에 필적하는 시각 구현은 불가능하지만 과업을 한정하면 인간 성능에 가깝거나 뛰어넘는 응용이 무궁무진함

사용예시)

과일 수확 드론, 혈관 분할, 자율주행, 불량 검사, 선수의 행동 분석, 고객의 동선 분석 등등

이러한 컴퓨터 비전은 왜 어려운가?

환경의 변화(밤 낮 날씨) 보는 위치와 방향의 변화, 강체와 연성 물체

원자부터 우주까지 긴 스펙트럼에서 영상 수집

인공지능의 미숙함: 지식 표현, 추론, 계획, 학습이 유기적으로 동작할 때만 강한 인공지능 가능

강한 인공지능은 먼 미래의 일 또는 영영 불가능

컴퓨터 비전의 목표

궁극적인 목표:

   일반적인 상황에서 잘 작동하는 인간과 같은 시각(강한 인공지능)

   영영 불가능하거나 먼 미래에 실현

현실적인 목표:

    제한된 환경에서 특정 과업을 높은 성능으로 달성(약한 인공지능)

    컴퓨터 비전 문제를 여러 세부 문제로 구분하고 세부 문제별로 알고리즘 구상

멀티미디어: 여러가지 매체(정보를 표현하고 분배하기 위한 수단, 정보를 표현하기 위한 다양한 형태의 매체)

신호처리: 신호(디지털or아날로그)를 처리하는 방법 혹은 알고리즘으로서 각종 정보에 가공을 하여 어떠한 부가가치를 만들어내는 작업, 디지털 신호처리(DSP)는 멀티미디어 신호처리의 기초가 됨.

일반적인 디지털 신호처리 구상도

아날로그 입력신호 -> 아날로그 필터 -> 아날로그-디지털 변환기 -> DSP or 컴퓨터 -> 디지털-아날로그 변환기 ->아날로그 필터 -> 아날로그 출력 신호

디지털 영상처리 vs 컴퓨터 그래픽스

디지털 영상처리: 영상처리를 실제의 영상을 조작하는 것

전형적으로 2차원 데이터로 제한되지만, 의한 진단 분야의 경우 3차원 데이터도 수행

컴퓨터 그래픽스: 컴퓨터 프로그램에 의한 합성 영상을 생성하는 것 

2차원과 3차원 물체를 가지고 작업

디지털 영상의 내부

영상의 파일 사이즈

예시) MxN (640 x 480)

흑백영상: 각 픽셀당 8비트 (256의 밝기값): 640x480x8(bit) = 640x480 byte

컬러영상: 640x480x8x3(bit) 컬러는 RGB로 색을 표현해여하기때문에 곱하기 3을 해줘야함

디지털 영상파일 형식

현재 가장 널리 사용되는 영상파일 형식은 JPG와 BMP영상 파일

opencv는 컴퓨터비전 프로그래밍에 사용되는 오픈 소스 라이브러리입니다.

이미지처리와 비디오 분석, 객체 감지 얼굴 인식, 카메라 추적등 다양한 컴퓨터 비전 작업을 수행하는데 사용이됩니다.

c++, python, java등 다양한 프로그래밍 언어 에서 사용할 수 있으며 window linux macOS android IOS등 다양한 플랫폼에서 동작합니다. 이 Opencv는 컴퓨터 비전 관련 프로젝트에서 다양한 어플리케이션을 개발할 수 있는 강력한 도구로 알려져있습니다.

이 opencv는 인텔이 만들어 공개했으며 인텔 칩의 성능을 평가할 목적으로 개발이 되었습니다. 이 라이브러리의 클래스와 함수는 c와 c++로 개발이 되었으며 전체 코드는 180만 라인 이상이라고 합니다.

파이썬에서는 opencv라이브러리를 다운받으면 바로 사용 가능함.

사진 파일명이 soccer.jpg라는 파일이 있으면 이 파일을 opencv를 이용하여 한번 불러와보는 것을 해보겠습니다.

import cv2 as cv  #파이썬에서 opencv라이브러리를 'cv'라는 별칭으로 import
import sys  #파이썬의 sys모듈을 import 

img = cv.imread('soccer.jpg') #opencv를 사용하여 soccer.jpg라는 이미지 파일을 읽어와 img변수에 할당하는 부분

if img is None:
	sys-exit('파일을 찾을 수 없습니다.') #이미지 변수가 None일때 'sys.exit()'함수를 호출하여 프로그램을 종료
                                        # sys.exit()함수는 현재 실행중인 파이썬 프로그램을 강제 종료하는 함수
                                        #파일을 찾을 수 없습니다 라는 에러 메세지 출력 후 프로그램이 종료됩니다.
 
 cv.imshow('Image Display',img) #cv.imshow()함수는 opencv에서 이미지를 화면에 표시하는 함수
 								#첫번째 인자로 창의 제목을 지정, 두번째 인자로 표시할 이미지 데이터 전달
                                
 
 cv.waitKey()  #사용자의 키보드 입력을 기다리는 함수
 cv.destroyAllWindows() #창을 닫을수있는 함수 호출

컨볼루션층

기계학습에서 주로 이미지와 같은 그리드 형태의 데이터에 대해 특징을 추출하는 레이어입니다.

주로 컴퓨터 비전과 이미지 처리 관련 작업에 사용되며, 이미지의 공간적인 구조를 인식하는 데 특화되어 있습니다.

컨볼루션층의 특징학습은 그 특징이 뭔진모르지만 어떤 커널로 동작을 한 후에 무언가를 가지고있다(결과값). 그리고 이게 조합이되서 무엇을 판별할때 조합이되어서 사용됨.

왜 컨볼루션층이 좋은가?

특징학습을함,

계산량이 절감됨(차원을 줄여주는 역할을함): 하나의 이미지를 예로 들자면 width*height*3(RGB)*weight*n(width*height)의 계산량을 줄여줌, 

어떤 오브젝트가 같은것임에도 불구하고 사이즈나 작아지거나 회전이 되면 인식을 못함 근데 컨볼루션을 돌려보면 다 찾아낼수있는 연산자가 됨.

풀링층

입력 데이터의 지역적인 영역을 대표하는 값을 추출하여 출력 데이터를 생성합니다. 일반적으로 최대 풀링(Max Pooling)과 평균 풀링(Average Pooling)이 가장 많이 사용되는데, 최대 풀링은 해당 영역 내에서 가장 큰 값을 선택하여 대표값으로 사용하고, 평균 풀링은 해당 영역 내의 평균 값을 대표값으로 사용합니다.

풀링층의 장점

첫째, 입력 데이터의 공간적인 차원을 줄이기 때문에 다음 층에서 처리할 파라미터 수를 감소시켜 연산 효율성을 향상시킵니다.

둘째, 작은 변위나 노이즈에 대한 로버스트성(Robustness)을 강화시켜 모델의 일반화 성능을 향상시킵니다.

셋째, 중요한 특성을 강조하는 기능을 가지고 있어, 핵심적인 정보를 보존하고 불필요한 정보를 줄이는 효과를 가집니다.

풀링 연산의 특성

1. 공간적인 차원 축소: 풀링 연산은 입력 데이터의 지역적인 영역을 대표하는 값을 추출하여 출력 데이터를 생성합니다. 이를 통해 입력 데이터의 공간적인 차원을 축소할 수 있습니다. 주로 이미지 처리에서 이미지의 크기를 축소하는 용도로 사용됩니다.
2. 로버스트성 강화: 풀링 연산은 작은 변위나 노이즈에 대해 로버스트성(Robustness)을 강화시킵니다. 입력 데이터의 작은 변동이나 노이즈에 둔감하게 작동하며, 모델의 일반화 성능을 향상시킵니다.
3. 파라미터 수 감소: 풀링 연산을 통해 입력 데이터의 공간적인 차원을 축소하면, 다음 층에서 처리할 파라미터 수를 감소시킬 수 있습니다. 이는 연산 효율성을 향상시켜 모델의 학습 및 예측 속도를 개선할 수 있습니다.
4. 중요한 특성 강조: 풀링 연산은 입력 데이터의 지역적인 영역에서 중요한 정보를 강조하는 기능을 가지고 있습니다. 최대 풀링(Max Pooling)의 경우 해당 영역 내에서 가장 큰 값을 선택하여 대표값으로 사용하므로, 중요한 특성이 강조되고 불필요한 정보가 감소합니다.
5. 공간적인 불변성: 풀링 연산은 입력 데이터의 지역적인 영역에서 특성을 추출하기 때문에, 입력 데이터의 작은 변환에도 불변성을 가집니다. 이는 객체의 크기, 위치, 회전 등의 변화에 둔감하게 작동하여 모델의 일반화 성능을 향상시킬 수 있습니다.

초창기 CNN 사례로서 LeNet-5

1. 컨볼루션과 풀링 레이어의 조합: LeNet-5는 컨볼루션(Convolution) 레이어와 풀링(Pooling) 레이어의 조합으로 구성되어 있습니다. 컨볼루션 레이어는 입력 이미지에서 특성을 추출하고, 풀링 레이어는 공간적인 차원을 축소하여 추출된 특성을 보존하면서 정보를 압축합니다.

Convolutional neural network

CNN은 여러 개의 컨볼루션(Convolution) 레이어와 풀링(Pooling) 레이어로 구성되어 있습니다. 컨볼루션 레이어는 이미지의 지역적 패턴을 추출하는 역할을 수행하며, 풀링 레이어는 추출된 특징 맵의 크기를 줄이는 역할을 합니다. 이러한 컨볼루션과 풀링 과정을 반복하여 이미지의 추상적인 특징을 계층적으로 학습합니다.

히든 레이어 에서 실제 representation들임

질감들이 어느정도 나와있음. 엣지에 대한 정보들이 잘 들어와있음.

정보들이 생생하게 남아있을수있는 이유는 도미넌트에대한것들만 모아놓으니까 잘 나올수있었음.

GoogLeNet의 핵심 아이디어는 Inception 모듈을 통한 다양한 크기의 커널을 동시에 사용하여 효율적으로 다양한 크기와 복잡도의 이미지 패턴을 추출하는 것이었습니다. 이를 통해 네트워크가 높은 성능을 유지하면서도 파라미터 수와 연산량을 최소화할 수 있었습니다.

NIN(Neural Network in Network)은 GoogLeNet 이전에 발표된 딥러닝 모델로, 기존의 컨볼루션 연산을 대체하는 MLPconv(다중 레이어 퍼셉트론 컨볼루션) 층을 도입한 것이 특징입니다. MLPconv는 커널을 옮겨가면서 MLP(Multi-Layer Perceptron)의 전방 계산을 수행하므로, 픽셀 간의 비선형성을 높이고 더 복잡한 특징을 추출할 수 있습니다. 이를 통해 NIN은 기존의 컨볼루션 연산보다 더 깊고 더 효율적인 네트워크 구조를 가지게 되었습니다

잡음제거
y(t): 시간 t에 측정된 결과값
s(t): 실제 잡음이 없는 실제 신호값
n(t): 환경적인 요인(열, 전기적)에 의하여 발생되는 잡음(노이즈) 신호값
우리가 센서로 측정하거나 전화하는것에 대해서 모든 것은 매질에 신호를올려서 보내기때문에 잡음이 무조건 섞여있음 그래서 이 잡음을 제거하는것이 중요함 잡음을 어떻게 제거하는지의 싸움임.
모든 센서들은 잡음이 발생해서 이 잡음 제거가 중요함.

왼쪽부터 실제신호 잡음신호 측정신호임

이렇게 실제신호에 잡음이 섞여서 측정 신호가 나오는데 이렇게되면 컴퓨터가 측정값의 피크치를 잘 측정할수없게됨,

min 과 median의 차이는 전체 데이터의 개수를 나눈것이고 미디안은 순서대로 세워서 중간값임.

mode는 가장 많이 발생했던 값을 말함.

min은 평균값을 넣어보겠다는 소리고 median은 정렬해서 중간값을 넣어주겠다는 소리고

mode는 가장 많이 나온것을 넣겠다는 소리임.

임펄스는 미디안 필터링을 씀

3D printing:

3d 모델링이  된것을 직접 물체로 출력하는 것임.

잉크대신 플라스틱을 씀. 플라스틱을 녹이는 기법으로 한층씩 쌓아가면서 물체를 만드는 방식으로 함.

3d모델링을 해서 만들고 이 만든걸 stl 확장자 파일로 저장해서 3d프린터에 넣어주면 물체가 만들어짐.

3d 프린팅 기술로 인하여 제조업의 구조가 바뀜. 프로토타이핑 과정에서 비용을 절감시킬수있었음.

질높은 시제품 제작이 가능해짐. 

이 하이퍼 곡선은 해마다 항상 똑같음 이 곡선은 구간별로 해석을 해야함. 앞부분에 있는 기술들은 지금 막 등장해서 혁신적으로 새로운 기술들이 나오고 있는 구간이라고 보면됨. 피크 곡선은 한참 무르익어서 기술이 정점에 오르고 있다는걸 보여줌 내려가는 곡선은 거품이빠지는 시기라고 생각하면 됨 기술이 하락하는것이 아니라 거품이 일어났다가 정제되고 퀄리티있는것만들 살아남는 부분

맨 오른쪽 부분은 대중화되어서 기술들이 안정화단계에 이르는 부분이라고 생각하면됨. 

process:

step1:

모델링하기

step2:

모델링한걸 레이어링을 할 수 있는 파일로 만들어(슬라이싱)

step3:

이 파일을 3d프린터에 넣어주면 적층방식으로 쌓아줌 

step4:

쌓아주면 모델이 나옴

모델링:

무엇을 만들 것인지에 대한 아이디어를 구현하기 위한 3D 모델링

설계 TOOL을 사용하여 직접 모델링하거나 3D스캐너를 사용하여서 만들고 싶은 물체를 스캔하는 방법(근데 이건 우리가 쉽게 쓸수있는 물건은 아님) , 기존 모델링 레퍼런스를 사용하는 방법이 있음.

이렇게 모델링을 하는 방법에는 세가지가 있음. 근데 직접 우리가 만들고싶은걸 만들려면 1번이 가장 좋음.

슬라이싱:

모델링한 데이터를 출력하기 위해서 슬라이서라고 불리는 프로그램을 통해 3D프린터 장비가 이해할수 있는 파일 형식으로 변화해줌.(STL파일)

프린팅:

STL파일로 변환된 데이터가 3D 프린터를 통해 출력됨.

피니싱:

출력된 오브젝트에 대해 후가공하여 완성하는 단계

시제품이기에 상품화되기 전단계이기 때문에 조금 미완임.

3d printing pen:

펜 형태로 3차원의 자유롭고 다양한 구조물을 만들어 낼 수 있는 방식

노즐과 모터만으로 간편하게 작동이 가능하도록 만들어진 형태

편리하여서 유용하게 사용되고 있으나, 플라스틱에 대한 유해물질에 대한 논쟁이 있긴함.

3d프린트 활용예시: 악세서리, 3d프린팅으로 여러사진찍어서 애니매이션 만들기, 초콜릿으로 3d프린팅 음식만들기, 바이오헬스(의수,의족),장기를 대신하기도함(이러한 장기를 대체하기위해선 딱딱한 플라스틱 대신 부드러운 재질을 사용해야하는데 이게 최근에 나오기도함) 등등

4d프린팅: 3d프린팅한 물체가 스스로 변형하여 새로운 결과물을 만드는 기술

피지컬 컴퓨팅이란?

컴퓨터 과학과 전자공학, 물리학 등의 분야에서 발전해온 기술로, 사용자가 실제로 존재하는 현실 세계를 다루는 컴퓨팅 기술을 의미합니다.

피지컬 컴퓨팅은 컴퓨터 프로그래밍과 전자공학 기술을 활용하여 센서, 액추에이터, 마이크로컨트롤러 등을 사용하여 컴퓨터와 현실 세계 간 상호작용을 가능하게 합니다. 이를 통해 사용자는 컴퓨터를 사용하여 실제 세계의 물체와 상호작용할 수 있게 되며, 이를 통해 보다 직관적이고 효과적인 인터페이스를 제공할 수 있습니다. 피지컬 컴퓨팅은 인터넷의 발전과 함께 사물 인터넷(IoT)과도 관련이 있으며, 일상생활에서 사용되는 다양한 디바이스와 연결하여 사용자의 편의성을 높이는 등 다양한 분야에서 응용될 수 있습니다.

쉽게 풀어서 말하자면 "물리적으로 보고 만질수있는 컴퓨터 시스템의 다양한 장치를 만들고 제어하는 것"

실제 세계에서 센서에 의해 데이터가 감지되면 구동할수있게끔 그러한 인터렉션 과정을 만드는것을 피지컬 컴퓨팅이라고함.

프로토타이핑:

프로토타입은 우리나라말로 시제품임. 생산되기 전에 제대로 사용할수있는지를 한번 시범적으로 만들어보는건데 이 프로토타이핑은 시제품을 만들어 보는 것임. 이게 제대로 되는지 확인하기 위해.

모형을 만들거나 서비스 테스트위해 시뮬레이션 해볼수도 있고 실제 구현도 해볼수있음.

종이를 가지고 아날로그적으로 시현하는 페이퍼 프로토타입

3d 프린터나 물리적으로 모형을 가지고 시현하는 물리적 프로토타입도 있음

디지털 플랫폼에서 구현되는 디지털 프로토타입도 있음.

종이 프로토타이핑:

적은 재료로 이게될까 만들어보는것

인터랙션에 따른 스토리 보드처럼 하나씩 인터랙션 과정을 나열해서 전부 만들어보는 경우도 있음.

물리적 프로토타이핑(우리가 하는 피지컬 컴퓨팅):

제품과 가장 유사한 형태로 만들어볼수있음

가장 현실감있게 제작가능, 작동상태 체크 가능

디지털 프로토 타이핑:

가장 쉬운 예로는 우리의 스마트폰에서 어떤 앱이나 웹이 어떻게 작동이되는지 인터랙션 과정을 경험해볼수있는 것

물리적인것이 필요없는 시스템 

주로 설계단계에서 함.

maker movement(메이커 운동):

일반적인 메이커는 뭘 만드는사람이지만 이 개념에서의 메이커는 자신의 아이디어를 구체화(visualization)하여 그것을 스스로 만드는 사람임.

넓은 범위에서의 메이커는 개발자나 요리사도 포함되지만 협의에서의 메이커를 물리적 도구를 이용하여 실생활에  필요한것을 만드는 사람을 말함. ex 전기전자 부품을 다루면서 인터렉티브 시스템등을 만드는 사람.

이 메이커 운동은 메이커의 창작 활동과 관련된 문화적인 사조를 말함 전기전자 부품등으로 자신의 아이디어를 구체화하는 활동을 전문적으로 하는 사람들을 메이커라고 지칭할수있음.

auto desk사에서는 4c로 메이커에 대한 개념을 정리함

capturing:센서 등을 통한 data cpaturing

computing: data를 계산해서 패턴을 찾는 computing

creating: 3d프린터 cnc 레이저 커팅기등을 이용한 제작 creating

compositing: 타인 또는 타분야 및 신소재 등과의 결합

"내가 생각한 것을 내가 직접 만들 수 있다"라는것이 핵심 개념

요즘은 툴이 잘되어있어서 좋은 아이디어가 있으면 바로 실행에 옮길수있음 하지만 가장 중요한건 

"무엇을 만들 것인가?"에 대한 인식이 필요함 아이디어 선별이 중요함.

메이커 스페이스란 메이커 활동을 위한 필요한 도구와 장비를 갖춰놓은 작업 장소로 메이커 운동의 핵심 요소이자 활동의 근원지(메이킹 활동을 위한 커뮤니티, 작업공간, 교육, 전시 등이 이루어지는 물리적 공간)

메이커 운동의 동향

미국에서는 인건비가 비싸서 집에 각종 수리할 일들이 생기면 우리는 대게는 사람을 부르지만 미국에서는 가족들끼리 스스로함 그래서 각종 장비들의 샵들이 잘 구성이되어있음.

정부 차원에서도 이러한 것들을 활성화시키고자 하는 움직임들이 많음

중국은 차세대 첨단 기술 관련 메이커 커뮤니티및 창업 공간을 조성하고있음. 정부차원에서 이런것들을 이끌어서 회사들이 메이커 스페이스를 많이 설립하게하고 근로자들이 창조성을 가지고 직접 뭔갈 만들 기회 많이제공

일본은 오타구 문화가있어서 오래한 장인들이 있고 아키하바라를 중심으로 창작 공간, 부품상가, 제조업체 등을 집결함

이런곳에서 메이킹 활동을 하게 환경 조성 그리고  이런것들을 교육과 이어서 장학 프로그램이나 클라우드 펀딩같은걸 이음.

싱가폴은 스마트 네이션이라고 어떤 도시 안에 미리 메이커 공간을 구축하는 것임 뭔가를 만드는것에 그치지 않고 사회적 커뮤니티 중심의 역할을 할 수 있다고 여기기때문에 도심 공간에도 메이커 공간을 구축하고있음. 비즈니스 화를 하는데에도 많은 도움을 줄수있다고 생각. 

중국의 청도는 복합문화공간이있는데 메이커 관련된 로프트 앤 디아이와이존이 따로 있음. 우리나라 인사동과 비슷한 분위기 메이킹 활동에 접근성이 높고 다양한 만들기 체험을 직접 접하고 시도해보기 용이함.

대만-타이중 문화창업산업원구

파주의 헤이리 같은 느낌 메이킹 활동을 할 수 있는곳임 창작 공간 쇼핑몰 전시들을 할수있게 만들어 놓음. 

대만의 다빈치 이노베이션 랩

독일의 아동 티비체널에서 키즈대상의 메이커 스페이스임 전세계에 체인점 처럼 되어있음

덴마크 코펜하겐 팹랩

공공 도서관 같은 느낌 멤버쉽으로 이용됨 동네사람들이 언제든와서 뭘 만들수있음 관리를 동네의 사람들이 자원봉사해서 관리를 해줌 메이킹 활동도하고 봉사도하니까 좋음.

싱가폴 fab cafe  

메이커 스페이스와 카페가 합쳐진것임 3d프린팅을 하려면 오랜 시간이 걸리는데 그 시간동안 카페에서 한잔 하게끔 만들어줌 환기가 잘되는곳에서 해야됌 플라스틱 가루 많이 날림

일본의 loft lab 3d studio

사람을 스캔한걸 3d프린터로 출력해주는것임.

마술 도구 제작자

바이오헬스에 초점을 두어야겠지만 이러한 넓은 관점으로 보자면 마술도구 제작자 또한 메이커라고 할 수 있음.

공방체험 데이트 또한 넓은 의미로 봐서는 메이커라고 볼 순 있긴함.  

한국의 릴리쿰

연남동 쪽에 있는데 메이커 스페이스임 제작 놀이 실험이라는 키워드를 가지고 창의적인 일들을 많이 함.

정부의 지원을 받아서 공간을 업그레이드도함

인공지능 로봇 플렛폼을 3d프린터로 제작 -in moov

3d 프린트로 부품을 제작하고 작동할 수 있는 코드를 오픈소스로 공개하는 온라인 커뮤니티가 있음.

실제 사람과 같은 사이즈로 만듬

stl파일 다운받을수있음.