🇶 이미지를 모델에 입력하기 전에 리사이징(Resizing)과 정규화(Normalization)를 하는 이유는 무엇인가요?
CNN (합성곱 신경망)이나 트랜스포머 기반의 비전 모델에 이미지를 입력하기 전 리사이징(Resizing)과 정규화(Normalization)를 거치는 것은 모델의 학습 효율과 성능을 결정짓는 필수적인 전처리 단계입니다.
1. 리사이징(Resizing)을 하는 이유
가장 근본적인 이유는 모델이 받아들일 수 있는 데이터의 규격(Input Shape)을 통일하기 위함입니다.
- 연산의 일관성: 딥러닝 모델의 초기 레이어(주로 Fully Connected Layer나 고정된 크기의 필터)는 특정 크기의 행렬 연산을 상정하고 설계된다. 입력 이미지들의 크기가 제각각이면 행렬 곱 연산 자체가 불가능해진다.
- 배치 처리(Batch Processing): 효율적인 학습을 위해 여러 장의 이미지를 하나의 '묶음(Batch)'으로 처리하는데, 이때 모든 데이터가 동일한 차원을 가져야 메모리 상에서 하나의 텐서(Tensor)로 결합될 수 있다.
- 메모리 및 속도 조절: 고해상도 이미지는 정보가 많지만 연산량이 기하급수적으로 늘어난다. 모델의 목적에 따라 적절한 크기(예: 224x224)로 줄여 학습 속도와 정확도 사이의 균형을 맞춘다.
2. 정규화(Normalization)를 하는 이유
이미지 정규화는 보통 픽셀 값(0~255)을 일정 범위(0~1 또는 -1~1)로 변환하거나, 평균과 표준편차를 이용해 분포를 맞추는 작업을 의미합니다.
- 학습 속도 향상 (Convergence): 픽셀 값이 0에서 255 사이로 크면, 역전파(Backpropagation) 과정에서 가중치(Weight) 업데이트가 불안정하거나 매우 느려질 수 있다. 데이터를 작은 범위로 응집시키면 비용 함수(Cost Function)의 지형이 완만해져 최적의 해(Global Minimum)를 더 빨리 찾을 수 있다.
- Local Minima 방지: 특정 특징(Feature)의 수치 범위가 너무 크면 모델이 해당 특징에만 과도하게 의존하게 될 수 있다. 모든 입력 데이터를 동일한 스케일로 맞추어 모델이 편향되지 않고 골고루 학습하게 한다.
- 기울기 소실 및 폭주 예방: 활성화 함수(Sigmoid, ReLU 등)를 통과할 때 값이 너무 크거나 작으면 기울기가 0이 되어 학습이 멈추는 문제를 방지하는 데 도움을 준다.
요약하자면, 리사이징은 모델이 데이터를 읽을 수 있게 만드는 물리적 규격 맞춤이며, 정규화는 모델이 데이터를 잘 배울 수 있게 만드는 수학적 환경 조성이라고 할 수 있습니다.
