Convolutional Neural Network 기본 개념
Convolution
Smoothing Spatial filters
Convolution의 작동 원리
input size:5*5 filter size:3*3 stride:1
필터(Filter) & Stride
필터
- 이미지의 특징을 찾아내기 위한 공용 파라미터
- 일반적으로 정사각 행렬로 정의
- CNN에서 학습의 대상은 필터 파라미터
CNN 학습대상은 필터 파라미터
채널(Channel)
패딩(Padding)
- Convolution 레이어에서 Filter와 Stride에 작용으로 Feature Map 크기는 입력데이터 보다 작음
- Convolution 레이어의 출력 데이터가 줄어드는 것을 방지하는 방법이 패딩
- 패딩은 입력 데이터의 외각에 지정된 픽셀만큼 특정 값으로 채워 넣는 것을 의미 보통 패딩 값은 0
Pooling 레이어
- 풀링 레이어는 컨볼류션 레이어의 출력 데이터를 입력으로 받아서 출력 데이터(Activation Map)의 크기를 줄이거나 특정 데이터를 강조하는 용도로 사용
- 풀링 레이어를 처리하는 방법으로 Max Pooling, Average Pooning, Min Pooling이 있음
CNN 의 특징 정리
- 각 레이어의 입출력 데이터의 형상 유지
- 이미지의 공간 정보를 유지하면서 인접 이미지와의 특징을 효과적으로 인식
- 복수의 필터로 이미지의 특징 추출 및 학습
- 추출한 이미지의 특징을 모으고 강화할 수 있는 Pooling 레이어를 사용
- 필터를 공유 파라미터로 사용하기 때문에, 일반 인공 신경망과 비교하여 학습 파라미터가 매우 적음