합성곱 신경망 편집하기
편집을 되돌릴 수 있습니다.
이 편집을 되돌리려면 아래의 바뀐 내용을 확인한 후 저장해주세요.
| 최신판 | 당신의 편집 | ||
| 6번째 줄: | 6번째 줄: | ||
'''합성곱 신경망'''(Convolutional neural network, CNN)은 컴퓨터 과학의 일종으로 시각적 이미지를 분석하는 데 쓰이는 인공 신경망의 한 종류이다.<ref> 〈[https://ko.wikipedia.org/wiki/%ED%95%A9%EC%84%B1%EA%B3%B1_%EC%8B%A0%EA%B2%BD%EB%A7%9D 합성공 신경망]〉, 《위키백과》</ref> 합성곱 신경망은 특히 음성 인식이나 사물 이미지 인식에서 주료 사용한다. 이 신경망은 다차원 배열 데이터를 처리가 가능하다. 따라서 컬러 이미지와 같은 다차원 배열 처리에 특화 되어 있다. 또한 일반적인 신경망은 이미지 데이터를 그대로 처리하는 데 반해 합성곱 신경망은 이미지에서 특징을 추출해 처리한다.<ref> 김콜리, 〈[https://kolikim.tistory.com/52 #6-(1) 합성곱 신경망(CNN) : 소개 및 구조]〉, 《'브콜리의 집' 티스토리 블로그》, 2018-03-16 </ref> 그렇기 때문에 이미지 인식 분야에서 [[딥러닝]]을 활용한 기법은 대부분 합성곱 신경망을 기초로 만들어졌다. <ref>〈[https://pubdata.tistory.com/133 합성곱신경망 CNN (Convolutional Neural Network)]]〉, 《'Practical Understanding of Data& Dex' 티스토리 블로그》, 2017-06-02 </ref> | '''합성곱 신경망'''(Convolutional neural network, CNN)은 컴퓨터 과학의 일종으로 시각적 이미지를 분석하는 데 쓰이는 인공 신경망의 한 종류이다.<ref> 〈[https://ko.wikipedia.org/wiki/%ED%95%A9%EC%84%B1%EA%B3%B1_%EC%8B%A0%EA%B2%BD%EB%A7%9D 합성공 신경망]〉, 《위키백과》</ref> 합성곱 신경망은 특히 음성 인식이나 사물 이미지 인식에서 주료 사용한다. 이 신경망은 다차원 배열 데이터를 처리가 가능하다. 따라서 컬러 이미지와 같은 다차원 배열 처리에 특화 되어 있다. 또한 일반적인 신경망은 이미지 데이터를 그대로 처리하는 데 반해 합성곱 신경망은 이미지에서 특징을 추출해 처리한다.<ref> 김콜리, 〈[https://kolikim.tistory.com/52 #6-(1) 합성곱 신경망(CNN) : 소개 및 구조]〉, 《'브콜리의 집' 티스토리 블로그》, 2018-03-16 </ref> 그렇기 때문에 이미지 인식 분야에서 [[딥러닝]]을 활용한 기법은 대부분 합성곱 신경망을 기초로 만들어졌다. <ref>〈[https://pubdata.tistory.com/133 합성곱신경망 CNN (Convolutional Neural Network)]]〉, 《'Practical Understanding of Data& Dex' 티스토리 블로그》, 2017-06-02 </ref> | ||
| − | [[파일:필터그림1.PNG|300픽셀|섬네일| | + | [[파일:필터그림1.PNG|300픽셀|섬네일|가운데|필터의 종류와 기능]] |
또한 합성곱 신경망은 필터링 기법을 인공 신경망에 적용하여 이미지를 더욱 효과적으로 처리하기 위해 [[컨볼루션 네트워크]] 논문(LeCun , 1989)에서 처음 소개 되었다. 시간이 지나 '사물 인식에 적용하는 그라디언트 기반 학습'(LeCun et al., 1998) 논문에서 현재 딥 러닝에서 이용되고 있는 형태의 합성곱 신경망을 제안했다. 기존의 필터링 기법은 옆에 첨부한 그림과 같이 고정된 필터를 이용하여 이미지를 처리했다. 그러나 합성곱 신경망의 기본 개념은 "행렬로 표현된 필터의 각 요소가 데이터 처리에 적합하도록 자동으로 학습되게 하자"는 것이다. 예를 들어, 이미지를 분류 알고리즘을 개발하고자 할 때 필터링 기법을 이용하면 분류 정확도를 향상시킬 수 있다. 그러나 이 경우 한 가지 문제점은 사람의 직관이나 반복적인 실험을 통해 알고리즘에 이용될 필터를 결정해야 한다는 것이다. 이러한 상황에서 합성곱 신경망을 이용하면, 알고리즘은 이미지 분류 정확도를 최대화하는 필터를 자동적으로 학습할 수 있다.<ref> 불, 〈[https://untitledtblog.tistory.com/150 [머신 러닝/딥 러닝] 합성곱 신경망 (Convolutional Neural Network, CNN)과 학습 알고리즘]]〉, 《'Untitled' 티스토리 블로그》, 2019-02-16 </ref> | 또한 합성곱 신경망은 필터링 기법을 인공 신경망에 적용하여 이미지를 더욱 효과적으로 처리하기 위해 [[컨볼루션 네트워크]] 논문(LeCun , 1989)에서 처음 소개 되었다. 시간이 지나 '사물 인식에 적용하는 그라디언트 기반 학습'(LeCun et al., 1998) 논문에서 현재 딥 러닝에서 이용되고 있는 형태의 합성곱 신경망을 제안했다. 기존의 필터링 기법은 옆에 첨부한 그림과 같이 고정된 필터를 이용하여 이미지를 처리했다. 그러나 합성곱 신경망의 기본 개념은 "행렬로 표현된 필터의 각 요소가 데이터 처리에 적합하도록 자동으로 학습되게 하자"는 것이다. 예를 들어, 이미지를 분류 알고리즘을 개발하고자 할 때 필터링 기법을 이용하면 분류 정확도를 향상시킬 수 있다. 그러나 이 경우 한 가지 문제점은 사람의 직관이나 반복적인 실험을 통해 알고리즘에 이용될 필터를 결정해야 한다는 것이다. 이러한 상황에서 합성곱 신경망을 이용하면, 알고리즘은 이미지 분류 정확도를 최대화하는 필터를 자동적으로 학습할 수 있다.<ref> 불, 〈[https://untitledtblog.tistory.com/150 [머신 러닝/딥 러닝] 합성곱 신경망 (Convolutional Neural Network, CNN)과 학습 알고리즘]]〉, 《'Untitled' 티스토리 블로그》, 2019-02-16 </ref> | ||
