딥러닝 with Keras

합성곱 신경망(CNN)

합성곱 신경망의 등장

• 순방향 신경망의 펼쳐진 1차원 벡터 형태에서는 모니터의 특징을 찾기가 쉽지 않음
• 공간 데이터를 1차원으로 전환하면 형상 정보가 분산되기 때문에 패턴을 찾기 어려워짐

• 이미지 내의 특정한 영역에 대해 원래의 이미지가 가지는 가학적 관계를 유지한 채로 살펴보는 것이 필요
• 특징을 파악하기 위해 살펴보는 작은 영역을 동물의 시각 처리 방식에서는 수용장이라 할 수 있음
• 이미지 처리 분야에서 특정한 영역 내에 있는 모든 픽셀정보로 하나의 값을 생성하는 일을 합성공이라고 함

• 합성곱 신경망
• 컨벌루션 게층
• 컨벌루션 연산을 통해 이미지의 특정한 영역을 각각의 특징으로 변환
• 서브샘플링 계층
• 풀링 연산을 통해 이미지의 크기를 줄여 특징의 이동에 대한 위치 불변성 부여

합성곱 신경망의 개념

합경곱 신경망(CNN)

• 대뇌의 시작 피질(cortex)에 대한 연구(시각세포 작동원리)를 통해서 얻은 아이디어를 기반으로 구축한 인공 신경망 구조
• 각 뉴런들은 국부적 수용 영역을 가진다.(즉 뉴련들은 전체 시야에서 특정한 일부 범위 내에 있는 자극에만 각각 반응)
• 큰 수용 영역을 가지는 고수준 뉴련들은 저수준의 뉴련들이 인식한 패턴들끼리 조합된 더 복잡한 형태의 패턴을 감지 할 수 있다.

• 합성곱 신경망은 이미지 처리에 탁월한 성능을 보이는 신경망

• 다층 퍼셉트론은 이미지 처리에서 한계를 보임

• 완전히 상호 연결된 DNN에서는 층이 깊어질수록 학습효과가 감소하는 경향이 있으며, 특히 이미지의 분류를 수행할 떄 원래 데이터의 형상이 무시된다는 문제

• 합성곱 신경망은 데이터가 가진 부분들의 특징들의 패턴을 학습하는 알고리즘으로 컴퓨터 비전 분야에서 많이 활용

• 대표적으로 이미지 분류, 객체 탐지, 스타일 전이 등이 있음

• 합성곱 신경망은 합성곱(convolution)과 풀링(pooling)을 통해 이미지 데이터의 형상 정보를 유지하면서 학습하여 이미지 인식 및 이미지 처리의 성능을 높인 신경망

합성곱 신경망 기본 아이디어

이미지 조작 방법- 필터의 종류

• 상자 필터, 평균 필터
• 하나의 픽셀 값을 변경할 때 주위의 값을 고려하여 평균을 취하는 방법

• 가우스 필터
• 필터의 영역의 모든 픽셀에 동일한 중요성을 부여하는 것이 아니라 중심 픽셀에 더 높은 중요도를 부여하고, 중심에서 멀어질수록 중요성을 낮게한다
• 이 중요도를 가중치(weight)라고 부르고 가우스 함수(정규 분포 함수)에 의해 값을 결정)

• 라플라시안 필터
• 윤곽선 역할을 하는 픽셀이 강하게 반응하는 필터(색이 연속적이지 않고 갑작스럽게 변하는 픽셀을 찾는 필터)
• 필터를 적용하면 아래 그림과 같이 이미지에서 윤곽선 역할을 하는 픽셀들이 강하게 반응 시각 정보를 처리할 때 이러한 필터를 적용하여 윤곽선 특징을 추출해 낼 수 있다는 것을 의미
• 합성곱 연산을 할 떄는 필터로 사용되는 행렬만 바꾸면 여러 가지 다른 결과를 얻을 수 있다. 원본 이미지에서 필터의 크기와 동일한 크기를 가진 부분 영역에 대해 해당 필터가 원하는 특징을 얻어내는 것
• 설계하지 않고 기계가 스스로 좋은 필터를 만들어내는 것은 → 필터의 가중치를 모델의 파라미터로 만드는 일 → 합성곱 신경망의 기본 아이디어