일반 합성곱 편집하기

일반 합성곱(standard convolution, 일반的 合成곱)은 인공신경망, 특히 합성곱 신경망(CNN)에서 입력 특징맵과 학습 가능한 필터 간의 연산을 통해 출력 특징맵을 생성하는 가장 기본적인 형태의 합성곱 연산이다.
==정의==
<nowiki>일반 합성곱은 입력 텐서 \(X \in \mathbb{R}^{H \times W \times C_{in}}\)과 필터 텐서 \(K \in \mathbb{R}^{k_H \times k_W \times C_{in} \times C_{out}}\)를 사용하여 출력 텐서 \(Y \in \mathbb{R}^{H' \times W' \times C_{out}}\)를 계산하는 연산이다. 출력은 다음과 같이 계산된다: Y_{h,w,c_{out}} = ∑_{i,j,c_{in}} K_{i,j,c_{in},c_{out}} ⋅ X_{h+i, w+j, c_{in}}</nowiki>

여기서 \(i, j\)는 커널의 높이와 너비를 따라 순회하며, \(c_{in}\)은 입력 채널을, \(c_{out}\)은 출력 채널을 나타낸다.
==개념==
*일반 합성곱은 필터(커널)를 입력 위에 슬라이딩하며 지역 영역마다 내적(dot product)을 수행하는 연산이다.
*각 출력 채널은 입력 채널 전체를 활용하여 계산된다.
*CNN에서는 이 연산을 통해 이미지나 특징맵에서 공간적 지역 정보를 추출한다.
==수식 및 구현==
*출력 크기 계산:
  H' = ⌊(H + 2⋅padding - k_H) / stride⌋ + 1  
  W' = ⌊(W + 2⋅padding - k_W) / stride⌋ + 1
*연산 복잡도는 O(H' ⋅ W' ⋅ C_{in} ⋅ k_H ⋅ k_W ⋅ C_{out})이며, 입력과 필터 크기가 클수록 계산량이 증가한다.
*역전파 시 필터의 파라미터는 경사하강법으로 학습된다.
==다른 합성곱과의 비교==
일반 합성곱은 다음과 같은 변형된 합성곱들과 구별된다.
*깊이별 합성곱 (Depthwise Convolution): 각 입력 채널에 독립적인 필터를 적용하는 방식
*그룹 합성곱 (Grouped Convolution): 입력 채널을 그룹으로 나누어 합성곱 수행
*전치 합성곱 (Transposed Convolution): 출력 크기를 늘리는 데 사용되는 연산
*확장 합성곱 (Dilated Convolution): 필터 내의 간격을 늘려 리셉티브 필드를 확장
이러한 변형 기법들은 파라미터 수나 계산량을 줄이거나, 출력 해상도를 조정하기 위해 사용된다. 일반 합성곱은 이러한 기법들에 비해 계산 비용이 크지만, 정보 결합 능력이 높다.
==응용==
*영상 분류, 객체 탐지, 세분화 등 다양한 컴퓨터 비전 과제에서 특징 추출 단계로 사용된다.
*오디오, 자연어 처리 등의 시퀀스 데이터에도 확장 적용된다.
*대부분의 CNN 계층에서 기본 블록으로 사용된다.
==장점과 단점==
*장점:
**입력의 공간적 구조를 보존하면서 지역적인 특징을 잘 포착함
**파라미터 공유로 인해 전결합층 대비 효율적임
*단점:
**출력 채널 수와 필터 크기에 따라 연산량이 크게 증가함
**리셉티브 필드를 키우기 위해 커널 크기를 키우면 계산량이 기하급수적으로 증가함
==같이 보기==
*[[합성곱 신경망]]
*[[깊이별 합성곱]]
*[[전치 합성곱]]
*[[필터링]]
*[[딥러닝]]
==참고 문헌==
*Ian Goodfellow, Yoshua Bengio, Aaron Courville, ''Deep Learning'', MIT Press, 2016.
*Aston Zhang, Zachary Lipton, Mu Li, Alexander J. Smola, ''Dive into Deep Learning'', Cambridge University Press, 2024.
==각주==
<references />
[[분류:인공지능]]
[[분류:수학]]