CNN

IT위키
기술자아자아 (토론 | 기여)님의 2021년 2월 12일 (금) 19:29 판
(차이) ← 이전 판 | 최신판 (차이) | 다음 판 → (차이)
Convolutional Neural Network; 합성곱 인공 신경망; 합성곱신경망
  • CNN 처리 과정 도식화

CNN.jpeg

  • 실제 이미지 CNN 처리 과정 예시

CNN2.jpeg

구성 및 절차[편집 | 원본 편집]

대상을 채널별로 나누고, 정보 손실 방지를 위해 패딩을 적용한 후, 필터를 이용해 스트라이드 단위로 합성곱을 해서 피처 맵을 만들어냄. 빠른 처리를 위해 풀링 적용
  • 채널(Channel)
  • 패딩(Padding)
  • 필터(Filter), 커널(Kernel)
  • 합성곱(Convolution)
  • 스트라이드(Strid)
  • 액티베이션 맵(Activation Map)
  • 풀링(Pooling) 레이어
  • 피처 맵(Feature Map)

채널[편집 | 원본 편집]

Channel
  • 컬러 그림의 RGB 구분
  • Red 채널, Green 채널, Blue 채널

패딩[편집 | 원본 편집]

Padding
  • 데이터 소실 및 경계 표현을 위한 테두리

CNN 패딩.png

필터[편집 | 원본 편집]

Filter; 커널(Kernel)과 같은 의미로 쓰임
  • 이미지의 특징을 찾아내기 위한 공용 파라미터

CNN 필터.png

합성곱[편집 | 원본 편집]

Convolution
  • 이미지에 필터를 합성곱으로 적용
  • 각 행렬 값을 곱하여 합산

합성곱 절차.gif

풀링과 피처 맵[편집 | 원본 편집]

Pooling & Feature Map
  • 컨볼루션 레이어의 출력 데이터(Activation Map)의 크기를 줄이거나 특정 데이터를 강조
  • Max Pooling과 Average Pooling, Min Pooling이 있는데, Max Pooling을 많이 사용

CNN 풀링.png

합성곱 생성 절차[편집 | 원본 편집]

CNN 절차.jpg

효율 향상 모델[편집 | 원본 편집]

EfficientNet[편집 | 원본 편집]

  • Compound Scailing을 통해 적은 파라미터 수로 정확성과 효율성을 향상시킨 분류 모델
  • AutoML 및 모델 확장을 통해 정확성과 효율성 향상

EfficientDet[편집 | 원본 편집]

  • EfficientNet을 backbone으로 하고 BiFPN과 Compound Scailing을 조합
  • 적은 파라미터로 효율적인 성능을 보이는 Object Detection 모델

참고 문헌[편집 | 원본 편집]