CNN(Convolutional Neural Networks)

박용민·2023년 2월 17일

컴퓨터 비전

목록 보기

1/15

CNN 구조

일반 신경망처럼 여러 층을 차례대로 거치며 복잡한 특징을 학습한다.

(모서리, 직선) -> (원, 정사각형) -> (이미지의 일부)등을 학습한다.

가중치는 무작위 값으로 초기화 되며 활성화 함수를 사용한다.

오차를 역전파하며 가중치를 수정해 나아간다.

전체 학습 과정

데이터 입력 - 이미지를 합성곱층에 입력한다.

전처리 - 합성곱층을 지나며 특징 맵을 추출한다. 이미지의 크기가 각 층을 지날 때마다 줄어들고 특징 맵 수는 늘어난다.

특징 추출 - 전결합층에 입력되어 이미지를 분류한다.

머신러닝 모델 - 결과를 출력한다.

합성곱층

합성곱

두 함수를 인수로 새로운 함수를 만들어내느 연산이다.

합성곱 필터를 입력 이미지 위로 이동시키며 합성곱 필터가 위치한 부분에 해당하는 작은 이미지 조각을 처리한 결과를 모아서 새로운 이미지 특징 맵을 만든다.

특징을 유지하면서 이미지의 해상도를 떨어뜨리느 것이다.

폴링층

합성곱층 수를 늘리면 출령층의 깊이가 깊어지는 만큼 학습해야 할 파라미터 수가 늘어난다.

이런 식으로 신경망의 규모가 커지면 학습에 필요한 계산 복잡도가 상승하고 학습 시간도 오래 걸린다.

폴링은 다음 층으로 전달되는 파라미터 수를 감소시키는 방법으로 신경망의 크기를 줄인다.

최대 폴링 최소 폴링

https://www.researchgate.net/figure/Example-for-the-max-pooling-and-the-average-pooling-with-a-filter-size-of-22-and-a_fig15_337336341

이미지 분류

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

# build the model object
model = Sequential()

# CONV_1: add CONV layer with RELU activation and depth = 32 kernels
model.add(Conv2D(32, kernel_size=(3, 3), padding='same',activation='relu',input_shape=(28,28,1)))
# POOL_1: downsample the image to choose the best features 
model.add(MaxPooling2D(pool_size=(2, 2)))

# CONV_2: here we increase the depth to 64
model.add(Conv2D(64, (3, 3),padding='same', activation='relu'))
# POOL_2: more downsampling
model.add(MaxPooling2D(pool_size=(2, 2)))

# flatten since too many dimensions, we only want a classification output
model.add(Flatten())

# FC_1: fully connected to get all relevant data
model.add(Dense(64, activation='relu'))

# FC_2: output a softmax to squash the matrix into output probabilities for the 10 classes
model.add(Dense(10, activation='softmax'))

model.summary()

# model.summary()
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 28, 28, 32)        320       
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 14, 14, 32)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 14, 14, 64)        18496     
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 7, 7, 64)          0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 3136)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 64)                200768    
_________________________________________________________________
dense_2 (Dense)              (None, 10)                650       
=================================================================
Total params: 220,234
Trainable params: 220,234
Non-trainable params: 0
_________________________________________________________________