[딥러닝] 컨볼루션 신경망(CNN) 구조

Peter·2021년 7월 5일
0

딥러닝

목록 보기
11/47
post-custom-banner

컴퓨터 비전의 어려운점

  • 정해진 물체가 움직이면 전체적인 픽셀값 변경됨
  • 경계색이 모호한경우 구분이 어려움
  • 밝기, 조명에 따라서 강조되는 포인트 다름
  • 일부가 가려진 영상 분류 어려움

컨볼루션층

  • 선형함수인 컨볼루션과 비선형 함수인 활성함수의 조합

풀링층(POOL)

  • 컨볼루션의 얻어진 특징을 통계적으로 압축

전체적으로 결합해 층을 쌓고 사용

DMLP 와 CNN

DMLP

  • 완전연결 구조로 복잡도 높음
  • 학습 느리고 과잉적합문제 발생

CNN

  • 부분 연결이기 때문에 복잡도 낮음
  • 부분에만 가진 특징을 연결된 부분만 가지고 있기 때문에 특징추출 용이
  • 격자구조(영상, 음성 등)를 갖는 데이터에 적합

CNN

  • 커널들을 통해 특징 추출: CONV
  • 커널 보폭을 조정하거나 풀링층에서 커널 보폭을 조절해 특징 맵 크기를 조절


커널이 움직이면서 특징맵을 만들어줌

3차원 컨볼루션은 각 차원에 따른 가중치(필터)를 계산
그 결과로 output 가져와줌

수직 수평 특징 컨볼루션

  • 수직과 수평 각각의 특징을 추출해 특징맵 만듬
  • 수직과 수평 각각의 커널이 추출해내는 특징이 서로 다름

활성함수 적용

  • 활성함수를 통해 특징적인 부분만 남기고 나머지 정보는 0 처리됨

덧대기(padding)

  • 커널 연산을 하면 가장자리가 줄어들는 현상 발생
  • 덧대기를 통해 원래 형상 유지

편향(bias)추가

  • 활성함수를 위해 편향추가

다중 특징 맵 추출

  • 한개의 입력에 여러 특징 필터를 통해 출력 특징맵을 추출함
  • 이 필터도 사람이 설계하지 않고 학습으로 찾아냄
profile
컴퓨터가 좋아
post-custom-banner

0개의 댓글