CNN 의 구조와 기능적 특성

잘 정리된 블로그 링크 :  https://89douner.tistory.com/57

3. CNN(Convolution Neural Network)는 어떤 구조인가요?

 

합성곱 신경망 (Convolutional Neural Network, CNN) 은 이미지 인식, 객체 검출, 시각적 패턴 인식 등의 영상 처리 분야에서 주로 사용되는 신경망 구조입니다. CNN 의 기본 구성 요소와 기능적 특성에 대해 설명하겠습니다.

1. 구조
CNN은 주로 합성곱 층(Convolution Layer), 풀링 층(Pooling Layer), 완전 연결 층(Fully Connected Layer) 등으로 구성되어 있습니다. 일반적인 CNN 구조는 여러 개의 합성곱 층과 풀링 층이 교차되며 나타나고, 마지막에 완전 연결 층을 통해 분류 또는 회귀 문제를 해결합니다.
합성곱 층: 합성곱 층은 이미지의 로컬한 특징을 추출하는 역할을 합니다. 이 층에서는 입력 이미지에 필터(Filter)를 적용하여 특징 맵(Feature Map)을 생성합니다. 필터의 크기, 개수, 스트라이드(Stride), 패딩(Padding) 등의 하이퍼파라미터를 조절하여 다양한 특징을 추출할 수 있습니다.
풀링 층: 풀링 층은 공간 크기를 줄이고 특징을 압축하는 역할을 합니다. 일반적으로 최대 풀링(Max Pooling) 또는 평균 풀링(Average Pooling) 기법을 사용하여 각 영역의 최댓값 또는 평균값을 취하며, 이를 통해 계산량을 줄이고 과적합(Overfitting)을 방지할 수 있습니다.
완전 연결 층: 완전 연결 층은 앞선 층에서 추출된 특징을 바탕으로 분류 또는 회귀 문제를 해결하는 역할을 합니다. 이 층에서는 각 뉴런이 이전 층의 모든 뉴런과 연결되어 있으며, 소프트맥스(Softmax) 함수 등을 사용하여 최종 출력을 얻습니다.

2. 기능적 특성
CNN의 주요 기능적 특성은 다음과 같습니다:
공간적 구조 인식: CNN은 합성곱 층과 풀링 층을 통해 이미지의 공간 구조를 고려하면서 효과적으로 특징을 추출할 수 있습니다.
학습 가능한 필터: CNN에서 사용되는 필터는 학습 과정에서 데이터로부터 자동으로 학습되며, 이를 통해 각 문제에 적합한 특징을 추출할 수 있습니다. 이는 수동으로 특징을 설계하는 전통적인 방식에 비해 더욱 효과적인 결과를 가져옵니다.

계층적 특징 추출: CNN은 여러 개의 합성곱 층을 통해 저수준부터 고수준까지 다양한 추상화 수준의 특징을 추출합니다. 일반적으로 앞쪽 층은 에지(Edge), 색상 등의 저수준 특징을 추출하며, 뒤쪽 층은 객체의 일부, 전체 객체 등의 고수준 특징을 추출합니다.

공간적 불변성: 풀링 층을 사용함으로써 CNN은 이미지의 작은 변화나 위치 이동에도 강인한 성능을 보여줍니다. 이는 이미지의 작은 변동에도 인식 성능이 유지되도록 도와줍니다.

매개변수 공유: CNN의 합성곱 층에서는 동일한 필터를 이미지의 여러 영역에 적용함으로써 매개변수의 수를 줄입니다. 이는 계산 효율성을 높이고 과적합을 방지하는 데 도움이 됩니다.