[DL] CNN 합성곱 신경망 왕초보 기초 개념

📌들어가며

이번 포스팅에서는 CNN 합성곱 신경망에 대해서 포스팅합니다.

 

CNN 합성곱 신경망?

Convolutional Neural Networks의 약자로 딥러닝에서 주로 영상 데이터 등을 처리할 때 쓰이는 신경망이다.

 

CNN 합성곱 신경망 이름만 들어도 어려운 것 같은 CNN은 단언컨대 어렵지 않다.

 

사실 CNN이 어렵다고 느껴지는 이유는 CNN 개념이 어려운 것 보단 CNN을 왜 사용하는지를 자세히 모르기 때문이라고 생각한다. 때문에 CNN의 개념을 바로 설명하기 보다 CNN을 사용하는 이유에 대해 먼저 설명하고자 한다.

 

CNN(합성곱 신경망) 왜 사용할까?

이미지등 영상 데이터들은 주로 2차원(GrayScale), 3차원(Color)의 형태를 이룬다. 기존의 일반 DNN(깊은 신경망)은 1차원 형태의 데이터를 사용하기 때문에 flatten 시켜 영상 데이터들을 1차원 데이터로 만들어야 하는데 이 과정에서 이미지의 공간/지역적 정보(spatial/topolofical information)가 손실되게 된다. 이러한 문제점에서 고안된 해결책이 CNN이다. CNN은 공간/지역적 정보를 유지한 채 특성(feature)들을 추출한다.

 

조금 더 쉽게 설명하면 아래 숫자 5를 나타내는 이미지가 있다고 할 때,

기존의 DNN은 아래 이미지(Img A)와 같이 flatten을 거져 1차원으로 만들어진 데이터를 만들어 네트워크를 통과한다.

Img A

반면 CNN은 이미지의 이미지의 공간/지역적 정보(spatial/topolofical information)가 유지된  Img B 전체가 네트워크를 통과한다.

Img B

여기까지 이해했다면 아래를 자세히 봐도 좋다.

 

CNN(합성곱 신경망)

왼쪽 이미지와 같은 어떠한 입력 이미지가 들어왔을 때, Feature Detector를 통해 특징을 감지한다. 이 Detector는 일반적으로 Kernel이나 Filter라고 부른다.

이러한 Kernel이 이미지의 모든 영역을 훑으면서 특징들을 뽑게 되고 이를 바탕으로 해당 입력에 대한 Feature Map을 그리게 된다. 이때 이미지의 픽셀과 Kernel이 곱한 결과를 합하게 되는데 때문에 합성(+)곱(x)이라는 이름이 붙게 된 것이다.

이렇게 만들어진 Feature Map은 원래 입력 이미지와 크기를 비교하면 작아진 것을 알 수 있는데, 작아진 Feature Map에 의해 연산량이 감소하고 연산 속도가 증가하게 된다.

 

📌포스팅을 마치며

지금까지 CNN(합성곱 신경망)에 대해 알아봤다. 기초적인 내용이라 크게 어렵지 않았을거라 생각하지만 이해가 되지 않는다면 다음 포스팅을 읽기 전 다시 한번 읽어 보는 것을 추천한다.

 

의견과 질문은 언제나 감사합니다.