Convolutional Neural Network (CNN, 합성곱 신경망)

agnusdei·2025년 9월 14일

ICT

목록 보기

129/143

1. 정의와 배경

**Convolutional Neural Network (CNN, 합성곱 신경망)**은 이미지, 음성, 시계열 등 고차원 데이터의 공간적(Local)·위상적(Topological) 특징을 자동으로 추출하여 학습하는 딥러닝(Deep Learning) 모델의 대표적인 아키텍처이다.
전통적인 **인공신경망(Artificial Neural Network, ANN)**이나 **다층퍼셉트론(Multilayer Perceptron, MLP)**은 입력 차원이 크면 파라미터 수가 기하급수적으로 증가한다는 한계를 가진다. 이를 극복하기 위해 1989년 Yann LeCun이 손글씨 숫자 인식(LeNet-5)에서 CNN을 적용하면서 본격적으로 주목받았다.

2. 핵심 구조와 원리

CNN은 크게 **합성곱 계층(Convolutional Layer), 풀링 계층(Pooling Layer), 활성화 함수(Activation Function), 완전연결 계층(Fully Connected Layer)**로 구성된다.

(1) 합성곱 계층 (Convolutional Layer)

입력 데이터(예: 이미지)에 **필터(Filter) 또는 커널(Kernel)**을 슬라이딩하며 합성곱 연산(Convolution) 수행.
특정 지역(Local receptive field)에 집중하여 공간적 패턴(에지, 선, 질감 등)을 추출.
파라미터 공유(Parameter Sharing)와 희소 연결(Sparse Connectivity)을 통해 연산량 및 학습 파라미터를 크게 줄임.

(2) 활성화 함수 (Activation Function)

비선형성을 부여하여 모델이 복잡한 특징을 학습 가능하도록 함.
ReLU(Rectified Linear Unit), Leaky ReLU, ELU 등이 주로 사용됨.

(3) 풀링 계층 (Pooling Layer)

국소 영역에서 대표값(최댓값, 평균값 등)을 추출하여 데이터 차원 축소 및 위치 변동(Translation)에 대한 불변성(Invariance) 확보.
Max Pooling, Average Pooling이 대표적.

(4) 완전연결 계층 (Fully Connected Layer)

마지막 단계에서 추출된 특징 벡터를 분류(Classification) 혹은 회귀(Regression)에 활용.
전통적인 다층퍼셉트론과 동일한 구조.

3. 수학적 기반

합성곱 연산 수식
$(I * K)(x,y) = \sum_m \sum_n I(x+m, y+n) \cdot K(m,n)$
여기서 $I$ 는 입력 이미지, $K$ 는 커널.
CNN의 학습은 **역전파(Backpropagation)**와 경사하강법(Gradient Descent) 기반 최적화로 수행되며, 합성곱과 풀링 연산도 미분 가능하도록 설계됨.

4. 장점

파라미터 효율성: 필터 공유로 학습해야 할 파라미터 수가 감소.
위치 불변성 확보: 동일한 패턴이 이미지 내 어디에 있어도 탐지 가능.
자동 특징 추출: 수작업 특징 추출(SIFT, HOG 등)을 대체.
범용성: 이미지, 음성, 자연어 처리 등 다양한 도메인에 적용 가능.

5. 한계

많은 데이터 필요: 고성능 학습에는 대규모 데이터셋이 요구됨.
연산 자원 소모: GPU(Graphics Processing Unit) 등 고성능 하드웨어 필요.
공간적 구조 한정: 순차적(long-term dependency) 정보 학습에는 비효율적 (→ RNN, Transformer 등장).
설명 가능성(Explainability) 부족: CNN 내부의 Feature Map 해석이 어려움.

6. 응용 분야

영상 인식(Image Recognition): 얼굴 인식, 자율주행 객체 탐지.
자연어 처리(Natural Language Processing, NLP): 텍스트 분류, 문장 의미 추출.
의료 영상 분석(Medical Imaging): CT, MRI 이상 패턴 검출.
산업 응용: 불량품 검출, 제조 자동화, 보안 감시.

7. 최신 동향

Residual Network (ResNet): 기울기 소실 문제 해결을 위해 Skip Connection 도입.
Inception Network: 다양한 크기의 필터를 병렬 적용.
EfficientNet: 모델 크기, 깊이, 해상도를 균형 있게 확장.
CNN + Transformer 융합: Vision Transformer(ViT)와 CNN 혼합 구조 연구 활발.
경량화 연구: 모바일 및 엣지 환경에서 CNN 경량화(Quantization, Pruning).

8. 결론

CNN은 공간적 구조와 패턴 학습에 특화된 딥러닝 모델로, 현대 인공지능의 핵심 기반 기술 중 하나이다. 기술사 관점에서 볼 때 CNN은 단순히 알고리즘 차원을 넘어, 산업 전반에서 활용 가능한 범용 플랫폼 기술이며, 향후 경량화, 해석 가능성 강화, Transformer와의 융합이 주요 연구 방향으로 제시된다.