Ai 개념정리 4 - 합성곱 신경망

지금까지는 글 데이터였고 이제는 ,, 이미지!

 

 

이미지 분석 - CNN 모델

CNN(합성곱 신경망): convolution - 3차원 가로 세로

FC(완전연결 신경망): fully connected - 모든 뉴런이 다 연결됨

​

• 이미지 분석에서 FC의 문제점:

픽셀을 잘라서 이어 붙이기 때문에 데이터가 엄청 길어짐 -> 학습시간의 문제, 네트워크 크기, 데이터 형상의 무시

이미지 데이터의 경우 3차원(세로,가로,채널)의 형상을 가진 공간적 구조를 지님

​

1. 합성곱층(Convolution Layer, Conv Layer)

이미지 데이터는 3차원 데이터를 입력하고 3차원 데이터를 출력하며, 입출력 데이터를 특징맵(Feature Map)이라 함

합성곱층 뉴런의 수용영역 안에 있는 픽셀에만 연결 (특징이 팔요한 부분만 뽑아서 집합시킴)

​

2. 필터(Filter)

CNN 의 필터: 가중치 파라미터(W)역할 ㅎㅎ

학습단계에서 적절한 필터를 찾도록 학습

​

3. 합성곱의 연산

입력데이터에 필터만큼 곱하고 더해서 특성맵을 출력한다.

​

4. 패딩(Padding)

데이터는 Conv Layer를 지날 때마다 작아지면서 가장자리 정보가 사라지는 문제가 발생한다.

주로 zero-padding을 사용해서 입력데이터 주변을 0으로 채워 늘림

​

5.스트라이드(Stride)

필터가 이동할 간격 ( 보통 1~2), 작을 수록 더 잘 작동되고 시간이 오래걸림..

스트라이드 값을 조정하여 출력크기를 조정할 수 있음

 

6. 3차원 데이터의 합성곱 - RGB가 여기 해당인지 확인

입력의 채널 수와 필터의 채널 수가 같아야하며. 컬러는 RGB 3번 계산 ,,,

​

7. 풀링층(Pooling layaer) - 가장 중요한 것만 뽑아서 계산!

그림의 사이즈를 점진적으로 줄이는 법

Max-Pooling: 해당 영역에서 최대값을 찾는 방법 (보통)

Average Pooling : 해당 영역에서 평균값을 계산하는 방법

한 번에 절반으로 줄일 수 있음. 스트라이드 값을 조정하여 출력크기를 조정할 수 있음

​

흑백 0~255 /모델 입력층에 input_shape(가로,세로,1)

컬러 RGB /모델 입력층에 input_shape(가로,세로,3)

 

 

 

지피티의 흥미로운 답: