합성곱 신경망 편집하기 (부분)

== 주요 모델 ==
'''[[LeNet]]'''

* LeNet은 1990년대 초반에 제안된 최초의 합성곱 신경망(CNN) 중 하나로, 손글씨 숫자 인식(MNIST) 문제를 해결하기 위해 개발되었다.
* 합성곱(convolution)과 풀링(pooling) 계층을 번갈아 쌓은 뒤 완전연결층을 사용하는 구조를 가지며, 현대 CNN의 기본적인 형태를 제시하였다.  
* 당시에는 계산 자원이 제한되어 있었지만, LeNet은 딥러닝 기반 이미지 인식의 가능성을 처음으로 입증한 모델로 평가된다.  

'''[[VGG]]'''
*VGG는 매우 작은 3×3 필터를 여러 번 연속으로 쌓는 단순한 구조를 통해 깊이가 성능 향상에 중요한 역할을 한다는 점을 보여주었다.  

*단순하고 일관된 설계 덕분에 이후 많은 네트워크의 기반이 되었으며, ImageNet에서 약 75~76%의 높은 정확도를 달성하였다.  

*깊은 구조를 가지지만 규칙적인 형태로 인해 구현과 해석이 용이하며, 이후 모델들의 비교 기준으로 자주 사용된다.  
'''[[ResNet]]'''
*네트워크의 깊이가 깊어질수록 정확도가 떨어지는 퇴화 문제를 해결하기 위해 잔차 연결(residual link)을 도입하였다.  

*입력을 출력에 직접 더하는 shortcut 구조를 통해 학습 안정성을 높이고, 매우 깊은 네트워크에서도 높은 성능을 유지한다.  

* 기본 블록과 병목 블록으로 구성되며, ResNet-18, 50, 101 등 다양한 깊이의 변형 모델이 존재한다.  
'''[[MobileNet]]'''
*모바일 및 임베디드 기기용으로 설계된 경량 CNN 구조이다.  

*표준 합성곱을 깊이별 합성곱(depthwise separable convolution)으로 대체하여 계산량과 파라미터 수를 크게 줄였다.  

*MobileNetV2에서는 잔차 구조와 선형 병목(linear bottleneck)을 도입하여 효율성과 성능을 동시에 개선하였다.  
'''[[ShuffleNet]]'''
*그룹 합성곱(group convolution)을 사용해 연산량을 줄이면서도 채널 간 정보 교환이 제한되는 문제를 해결하기 위해 채널 셔플(channel shuffle) 연산을 추가하였다.  

*모바일 환경에서도 정확도를 유지하며 효율적인 추론이 가능하도록 설계되었다.  

*MobileNet과 유사한 수준의 계산 복잡도에서 더 높은 성능을 보인다.  
'''[[SqueezeNet]]'''
* AlexNet 수준의 정확도를 50배 적은 파라미터로 달성한 초경량 네트워크이다.  

*3×3 필터를 1×1 필터로 대체하고, 입력 채널 수를 줄이는 “fire module” 구조를 사용한다.  *모델 크기가 작아 임베디드 시스템이나 IoT 환경에서 사용하기 적합하다.  
'''[[DenseNet]]'''
*각 층의 출력을 모든 이후 층과 직접 연결(dense connection)하여 정보 손실을 최소화한다.  

*이러한 연결 방식은 특징 재사용(feature reuse)을 촉진하고, 경사 소실(vanishing gradient) 문제를 완화한다.  

*파라미터 효율이 높고, 상대적으로 적은 수의 가중치로도 높은 성능을 달성한다.  
'''[[EfficientNet]]'''*네트워크의 깊이(depth), 너비(width), 해상도(resolution)를 균형 있게 확장(compound scaling)하는 방식으로 효율적인 모델 확장을 제안하였다.  

*동일한 정확도를 더 적은 연산으로 달성하며, 연산 효율이 매우 높다.  *SiLU(Swish) 활성함수를 사용하고, 정규화 및 구조적 최적화를 통해 최신 비전 모델들과 경쟁하는 성능을 보인다.  
'''[[ConvNeXt]]'''
*비전 트랜스포머(Swin Transformer)의 아이디어를 CNN 구조에 도입한 현대적 합성곱 신경망이다.  

*대형 커널, GELU 활성함수, Layer Normalization 등 최신 설계를 적용하여 ResNet을 대체할 수준의 성능을 달성하였다.  

*단순한 CNN 구조를 유지하면서도 트랜스포머 수준의 정확도를 보여준다.  
'''[[ShiftNet]]'''
*공간 합성곱 연산을 완전히 제거하고, 채널별로 픽셀을 단순 이동(shift)시키는 방식으로 공간 정보를 반영한다.  

*연산량(MAC)과 파라미터가 거의 0에 가까운 초경량 구조로, 메모리 대역폭이 제한된 환경에서 효율적이다.  

* 계산 비용 없이 합성곱의 효과를 근사화하여 빠른 추론을 지원한다.