CNN

배경

FNN의 근본적인 문제점, 기울기 소실과 기울기 증폭 현상!

기울기 소실 또는 증폭의 이유는 시그모이드 같은 활성함수를 썼을 때 에러기울기 비율 때문에 발생함.

딥러닝 기반 모델

Convolutional model : 여러 노드가 가중치 공유를 통한 계산량 축소, 위치와 위상적 특징 추출 효율화, 서브 샘플링으로 공간 축소!

컴퓨터 비전 분야에 활용 => 특징 추출과 필터

CNN 개요

생각보다 오랜 역사를 가지고 있음.일종의 다층 FNN임.

특징 추출 단위를 전체 이미지가 아니라 작은 단위 영역에 제한함.

이런식으로 전체 이미지를 단위 영역으로 분리해 각각 특징 추출!

합성곱 연산

스트라이드

이런식으로 필터를 옮겨 가면서 합성곱 연산을 진행함.

패딩

입력 이미지 둘레에 일정한 크기의 데이터를 덧붙이는 것, 합성곱으로 인해 출력 크기가 작아지는 현상을 피하기 위한 방안

필터는 여러개 사용해서 여러 채널로 만들 수도 있음

연산

풀링

공간 해상도 축소

스트라이드와 비슷하게 진행함.

학습 파라미터 같은거 없음. 최대값, 산술평균, 기하평균등을 사용함.

활용

이미지 분류

영역 분할

의미적 영역 분할 : 각 화소가 어떤 부류에 속할지 결정
사물별 영역 분할 : 각 화소가 어떤 인스턴스에 속할지 결정

사물 인식