합성곱 신경망
합성곱 신경망(Convolutional Neural Network, CNN)은 합성곱(Convolutioon) 연산을 사용하는 ANN(Artificial Neural Network) 중의 하나이다. 또한 컨볼루션 신경망이라고도 부른다. 합성곱을 사용하면 3차원 데이터의 공간적인 정보를 유지한 채 다음 레이어로 보낼 수 있다. 대표적인 합성곱 신경망으로는 LeNet(1998)과 AlexNet(2012)가 있으며, VGG, GoodLeNet, ResNet 등은 더 깊은 층을 쌓은 합성곱 신경만 기반의 심층 신경망(Depp Neural Network, DNN)이다.[1]
개요
합성곱 신경망(Convolutional neural network, CNN)은 컴퓨터 과학의 일종으로 시각적 이미지를 분석하는 데 쓰이는 인공 신경망의 한 종류이다.[2] 이것은 음성 인식이나 이미지 인식에서 주료 사용하는 신경망의 한 종류이다. 이 신경망은 다차원 배열 데이터를 처리하도록 구성 되어 있다. 따라서 컬러 이미지와 같은 다차원 배열 처리에 특화 되어 있다. 그렇기 때문에 이미지 인식 분야에서 딥러닝을 활용한 기법은 대부분 합성곱 신경망을 기초로 만들어졌다. [3]
또한 합성곱 신경망은 필터링 기법을 인공 신경망에 적용하여 이미지를 더욱 효과적으로 처리하기 위해 (LeCun et al., 1989)에서 처음 소개되었다. 그 이후에 컨볼루션 네트워크(LeCun , 1989)에서 처음 소개 되었다. 시간이 지나 효율적인 받침대 이론(LeCun et al., 1998 -: 최적의 학습률을 계산하는 방법. 2차 파생물 및 기타 잡화를 역전파하는 방법 등 역전파를 통해 신경망을 효율적으로 훈련시키기 위한 모든 이론을 뜻한다.)이 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.[4]
특징
합성공 신경망의 구조
첨부 된 그림과 같이 기존 신경망은 서로 인접해 있는 계층의 모든 뉴련이 결합 되어 있는 완전연결(fully-connected) 상태로, 아핀(Affine) 계층으로 구성되어 있다. 이처럼 기존 신경망은 아핀으로 명시된 완전연결 연산과 ReLU(Rectified Linear Unit, ReLU) 함수와 같은 비선형 활성 함수의 결합으로 이루어진 계층을 여러 개 쌓은 구조이다.
각주
- ↑ 박희경,〈밑바닥부터 시작하는 딥러닝 Chapter7. 합성공 신경망(CNN)〉, 《모두의 연구소 DeepLap》
- ↑ 〈합성공 신경망〉, 《위키백과》
- ↑ 김콜리, 〈#6-(1) 합성곱 신경망(CNN) : 소개 및 구조〉, 《'브로콜리의 집' 티스토리 블로그》, 2018-03-16
- ↑ 불, 〈[머신 러닝/딥 러닝 합성곱 신경망 (Convolutional Neural Network, CNN)과 학습 알고리즘]]〉, 《'Untitled' 티스토리 블로그》, 2019-02-16
동영상
참고자료
같이보기
| ||||||||||||||||||||||||||||||||||
