CNN 모델

📏 출력 크기 계산 공식

✏️ CNN 계산 원리

📦 1. 기본 원리: 필터 = 패턴 감지기

• CNN의 필터는 작은 크기의 가중치 행렬
• 이 필터를 이미지 위에서 슬라이딩하면서, 입력 이미지의 특정 부분과 내적(dot product)을 수행

🧬 2. CNN이 학습하는 과정

실제 CNN에서는 사람이 위 필터를 직접 만들지 않음
👉 대신, 필터의 값(가중치)을 학습!

초기에는 필터가 "무작위 값"임
하지만 학습을 반복하면서:
어떤 필터는 "수직선"에 민감해지고
어떤 필터는 "둥근 윤곽"에 민감해지고
어떤 필터는 질감이나 반복 패턴에 반응하도록 조정됨

즉, CNN은 데이터 안에서 자주 나타나는 패턴을 자동으로 “탐지기”로 만들어냄.

3. 🪜 계층적 구조

CNN은 필터를 여러 층으로 쌓음.

1층: 엣지, 선, 방향
2층: 모서리, 패턴
3층 이상: 눈, 얼굴, 사물의 형태

마치 사람 눈처럼 저수준 → 고수준 특징을 순차적으로 학습해 나가는 구조

🧱 CNN의 핵심 블록: Convolution → ReLU → Pooling

🎯 전체 구조 요약

[입력 이미지]
   ↓
[Convolution] : 특징 추출
   ↓
[ReLU] : 비선형성 부여
   ↓
[Pooling] : 정보 압축 + 특성 유지
   ↓
[다음 층 반복]

1️⃣ Convolution (합성곱)

📌 역할
이미지의 지역적인 특징(엣지, 선, 질감 등)을 필터(커널)로 감지

🧮 작동 방식
입력 이미지 위에서 작은 필터를 슬라이딩하며 내적 연산

각 위치마다 특징 맵(feature map) 생성

📷 예시
입력: 32×32×3 (컬러 이미지)

필터 크기: 3×3×3
→ 출력: 30×30×1 (특징 맵 하나)

여러 개의 필터를 쓰면 → 출력 채널 수(깊이)가 늘어남

2️⃣ ReLU (Rectified Linear Unit)

📌 역할
비선형성 부여 (이미지 특징을 더 잘 구분하기 위해)

음수 값을 0으로, 양수는 그대로 유지

ReLU(x) = max(0, x)

✅ 이유
만약 CNN 전체가 선형 연산만 했다면, 아무리 많은 층을 쌓아도 결국 선형 결과만 나옴 → 의미 없음

ReLU는 그걸 깨고 복잡한 패턴도 학습할 수 있도록 함

3️⃣ Pooling (서브샘플링, 다운샘플링)

📌 역할
특징 맵을 더 작게 줄이면서 (압축)

중요한 정보는 유지

연산량 줄이고, 불변성(invariance)도 증가

🧮 종류

종류	설명
Max Pooling	윈도우 내에서 최댓값만 남김 (가장 흔함)
Average Pooling	윈도우 내 평균값을 남김

🔁 반복 구조
이 세 개는 보통 한 블록처럼 계속 반복돼:

[Conv → ReLU → Pool] → [Conv → ReLU → Pool] → ...

✅ 요약
단계 이름 역할
1 Convolution 이미지에서 특징 추출
2 ReLU 비선형성 부여, 학습력 증가
3 Pooling 정보 압축, 위치 불변성 증가

❓ 왜 CNN(Convolutional Neural Network)을 사용하는가?

---

1️⃣ 공간적 특징 추출에 특화

• 이미지 내 엣지, 선, 모서리, 질감 등 지역적 패턴(local features)을 자동으로 감지
• 필터(커널)를 통해 공간 구조를 고려한 특징 추출 가능
• → 이미지나 영상 처리에 최적화된 구조

---

2️⃣ 파라미터 효율성 (MLP 대비)

• 입력 이미지가 224×224×3일 경우, MLP에선 수천만 개 파라미터 필요
• CNN은 필터를 전체 영역에 공유 (weight sharing)하기 때문에
  • 학습 파라미터 수가 적음
  • 연산 속도 빠름
  • 과적합 위험 낮음

---

3️⃣ 위치 불변성 (Translation Invariance)

• 이미지 내 객체의 위치가 조금 달라져도 같은 특징으로 인식 가능
• Convolution + Pooling 연산 덕분에 위치 변화에 강함
• 예: 고양이 위치가 바뀌어도 “고양이”로 인식

---

4️⃣ 계층적 특징 학습 (Hierarchical Feature Learning)

• 층이 깊어질수록 점점 더 복잡한 특징을 학습함

층 단계	학습하는 특징
얕은 층	엣지, 선, 색 대비 등 기본 형태
중간 층	모양, 질감, 단순 패턴 등
깊은 층	얼굴, 사물 등 고수준 개념

---

5️⃣ 다양한 시각 문제에 적용 가능

CNN은 다양한 컴퓨터 비전 분야에서 뛰어난 성능을 보여줌:

• 이미지 분류 (Image Classification)
• 물체 탐지 (Object Detection)
• 얼굴 인식 (Face Recognition)
• 자율주행 비전 (Autonomous Driving)
• 의료 영상 분석 (Medical Imaging)
• 영상 생성 (Generative Models, e.g. GAN)

---

6️⃣ 자동 특징 추출 (End-to-End Feature Learning)

• 전통적인 방식(SIFT, HOG 등)은 사람이 수동으로 특징 설계
• CNN은 데이터로부터 특징을 자동으로 학습
• → 유연성 높고, 문제에 따라 확장 가능

https://rubber-tree.tistory.com/116