Convolutional Neural Network 기초

"

회사에서 타 부서와 친목 도모 겸 워크샵을 했었는대 당시 발표했던 자료들을 기록한다.

인공지능과 친숙하지 않은 사람에게 설명하기 위한 자료로 기초적인 개념위주이며 표현을 최대한 쉽게 하도록 하였다.

"

 

 

이름과 같이 주로 합성곱 층으로 이루어진 모델 종류를 말하며 보통 이미지를 다루기 위한 모델로 고안 되었다.
이미지의 부분적 요소를 합성곱으로 임의의 Feature Maps 를 구성하며 보통은 레이어가 중첩 될 수록 Feature map의 크기는 같거나 줄어드는 방식으로 진행된다.
이미지의 공간적 의미를 해석하는 모델로 설명 할 수 있으며 목적(Output)에 가장 적합한 공간적 요소를 추출 할 수 있는 가중치를 갱신하는 모델이라 할 수 있다.

 

 

합성곱 계층은 말 그대로 합성곱 신경망의 핵심 계층이다.
전통적인 이미지 처리에서 합성곱은 임의의 고정된 “필터”를 이용한 연산으로 새로운 이미지를 조정한다면 CNN에서의 합성곱 계층은 유동적인 “필터“ 가 곧 가중치가 되어 이를 조정하게 된다.
보통은 “학습하게 되는 필터“ 라는 의미로 필터보단 “커널”이라고 표현 하기도 한다.

 

 

 

주요 개념

커널(필터, 윈도우)

레이어의 가중치 공간을 의미하며 보통 정방행렬(n x n)으로 구성한다. 컨볼루션 연산이란 이 커널이 이미지를 순회하면서 이미지의 공간을 자리별 곱한값을 더하는 과정을 말한다.

스트라이드

컨볼루션 연산에서 이미지를 순회하는 구간을 말한다. 커널은 스트라이드씩 이동하면서 연산을 수행한다.

패드

출력 특징맵의 크기를 조절 할 수 있게 이미지의 가장자리를 특정한 값으로 채우는 것을 의미하며 패드를 구성하는 값, 패드의 두께에 따라 특징맵을 조절 할 수 있다.

출력 특징맵의 크기 계산

커널 사이즈(K), 스트라이드(S), 패드 범위(P)에 따라 컨볼루션 레이어의 입력 데이터의 크기(X)는 출력인 특징맵의 크기(Y)로 변화하며 다음과 같이 계산된다.

 

 

컨볼루션 연산 알아보기

컨볼루션 연산은 임의의 본디 이미지만을 위한 연산은 아니지만 여기선 배열로 표현된 이미지에서의 컨볼루션 연산을 알아본다.

왼쪽 배열 에서는 6 x 6 배열로 표현된 이미지에 1 패딩이 추가되고 3 x 3 커널에 의해 컨볼루션 연산을 수행한다.

 

 

커널(보라색)과 연산의 대상이 되는 공간(회색, 리셉티브 필드라고도 함)에 대해 각 위치 별 곱한 뒤 각 성분을 더하게 된다.

커널의 값은 학습이 진행 될 수록 변화 한다.